3

PROBABILITE S

Exercice 3-1
Une urne contient N boules numerotees de 1 a N . On tire, au hasard et
sans remise, n boules de l'urne. On note Xi la variable aleatoire associee au
numero de la boule obtenue au i-eme tirage, ceci pour i = 1; 2; : : : ; n.
1. a) Determiner la loi de la variable aleatoire Xi . Preciser son esperance et
sa variance.
b) Determiner la loi du n-uplet (X1 ; X2 ; : : : ; Xn).
A l'issue du n-ieme tirage les numeros obtenus sont classes par ordre croissant.
On note Yj la variable aleatoire associee au j -ieme numero, classe par ordre
croissant, obtenu parmi les n numeros.
Ainsi Y1 est la variable aleatoire min(X1 ; X2 ; : : : ; Xn ), Y2 est le nombre
aleatoire venant juste apres Y1 , par ordre croissant, etc. et Yn est la variable
aleatoire max(X1 ; X2 ; : : : ; Xn ).
2. a) Determiner la loi du n-uplet (Y1 ; Y2 ; : : : ; Yn ).
b) Determiner la loi de Yj , pour j = 1; 2; : : : ; n.
c) Determiner la loi du couple (Yj ; Yk ), pour 1  j < k  n.
On conserve les notations precedentes, en se restreignant au cas ou n = 3.
3. a) Preciser la loi du couple (Y1 ; Y3 ). En deduire la loi de D = Y3 ; Y1 .
Calculer l'esperance de D.
b) Determiner la loi de Y2 . Que peut-on remarquer ?
84 ESCP 99 - Oral
c) Determiner deux estimateurs sans biais de N , l'un deni comme fonction
de D, l'autre comme fonction de Y2 .
Solution :
1. a) La variable aleatoire Xi prend ses valeurs dans l'ensemble f1; 2; : : :; N g,
ou Xi (
) = f1; 2; : : :; N g.
L'evenement (Xi = k) correspond a \ij;=11 (Xj 6= k) \ (Xi = k). Par la formule
des probabilites composees, il vient :
P (Xi = k) = N N; 1  N ;2 


 N ;i+1  1 = 1
N ;1 N ;i+2 N ;i+1 N
Ainsi, Xi suit une loi uniforme sur f1; 2; : : :; N g. On a alors :
E (Xi ) = N 2+ 1 ; V (Xi ) = N 12; 1
2

b) Pour tout (i1 ; i2 ; : : : ; in ) distinct de (f1; 2; : : :; N g)n , on a :

P (X1 = i1; X2 = i2 ; : : : ; Xn = in ) = A1n
N
En eet, il y a AnN n-uplets possibles, et 1 seul favorable a la realisation
de cet evenement (le decompte se fait sans repetition, puisque les (ik ) sont
distincts).
2. a) Pour tout (j1 ; j2 ; : : : ; jn ) de (f1; 2; : : :; N g)n , avec 1  j1 < j2 <


<
jn  N , on a :
P (Y1 = j1 ; Y2 = j2 ; : : : ; Yn = jn ) = C1n
N
En eet, il y a CNn n-uplets possibles, et 1 seul favorable a la realisation de
cet evenement (le decompte se fait sans ordre et sans repetition, puisque les
(jk ) sont distincts).
b) Pour tout j 2 f1; 2; : : :; ng, on a Yj (
) = fj; : : : ; N ; n + j g. Pour tout
k 2 Yj (
) :
C j;1 C 1 C n;j
P (Yj = k) = k;1 C1n N ;k
N
En eet, l'evenement (Yj = k) correspond a l'evenement hh les variables
aleatoires Y1 ; : : : ; Yj;1 occupent un (j ; 1)-uplet sans ordre et sans repetition
avant k, Yj = k, les variables aleatoires Yj+1 ; : : : ; Yn occupent un (n ; j )-uplet
sans ordre et sans repetition apres k ii.
c) Pour les m^emes raisons que ci-dessus, pour 1  j < k  n,
(Yj ; Yk )(
) = f(m; p) 2 (f1; : : : ; N g)2 j j  m  p ; k + j  N ; n + j g
Probabilites 85
et
C j;1 C 1 C k;j;1 C 1 C n;k
P (Yj = m; Yk = p) = m;1 1 pC;mn ;1 1 N ;p
N
3. a) En reprenant la question precedente :
8 (Y ; Y )(
) = f(m; p) 2 (f1; : : :; N g)2 j 1  m  p ; 2  N ; 2g
< 1 3
: P (Y1 = m; Y3 = p) = CpC;m3 ;1
1

N
La variable aleatoire D est a valeurs dans f2; : : : ; N ; 1g, et :
NX
;k NX ;k C 1
P (Y3 ; Y1 = k) = P [(Y3 = j + k) \ (Y1 = j )] = k ;1
j =1 j =1 NC 3

= (N ; kC)(3 k ; 1)
N
Le calcul de l'esperance de D se fait alors aisement :
NX;1 k(N ; k)(k ; 1) 1 NX ;1
E (D) = C 3
= C 3
((N + 1)k2 ; Nk ; k3 ) = N 2+ 1
k=2 N N k=2
b) Determinons la loi de Y2 . Par les questions precedentes, on a :
Y (
) = f2; : : : ; N ; 1g; et P (Y = k) = (k ; 1)(N ; k)
2 2
CN3
On remarque que D et Y2 suivent la m^eme loi d'ou E (Y2 ) = N 2+ 1 .
c) D0 = 2D ; 1 et Y 0 = 2Y2 ; 1 sont deux estimateurs sans biais de N . Ils
ont de plus m^eme variance ; on ne peut donc preferer l'un a l'autre.
Exercice 3-2
Soit (Xk )k2N , une suite de variables aleatoires independantes suivant toutes
la loi de Bernoulli de parametre p (avec p 2 ]0; 1[) et denies sur le m^eme
espace probabilise (
; B; P ).
On pose, pour k 2 N  , Yk = Xk Xk+1 .
1. Donner la loi de Yk , ainsi que l'esperance et la variance de Yk .
2. Soient i et j deux entiers naturels distincts.
Discuter, suivant les valeurs de i et de j , de l'independance de Yi et de Yj .
3. On pose, pour n 2 N  , Zn = Y1 +


+ Yn . Montrer que :
n
86 ESCP 99 - Oral
8 " > 0; nlim
;

!1 P jZn ; p j  " = 0
2

Solution :
1. Pour tout k 2 N  ; Yk suit une loi de Bernoulli de parametre p(Yk = 1). Or
(Yk = 1) = (Xk = 1) \ (Xk+1 = 1).
Par l'independance des (Xk ), p(Yk = 1) = p2 . Finalement :
E (Yk ) = p2 ; V (Yk ) = p2 (1 ; p2 )
2. Si j 6= i ; 1 ou j 6= i +1, les variables aleatoires Yi et Yj sont independantes
commes fonctions de variables aleatoires independantes.
Par contre, P (Yi Yi+1 = 1) = P (Xi Xi2+1 Xi+2 = 1) = p3 ,
alors que P (Yi = 1)P (Yi+1 = 1) = p2 . Les variables Yi et Yi+1 ne sont pas
independantes.
3. Calculons l'esperance et la variance de Zn .
Xn
E (Z ) = 1 E (Y ) = p2
n n k=1 k
et 0 1
X
n X
V (Zn ) = n12 @ V (Yk ) + 2 cov(Yi ; Yj )A
i<jn
0 k =1 1
1
1 @np (1 ; p ) + 2 X
n2
2 2
cov(Yi ; Yj )A
i<jn
1

nX
;1 !
= n12 np2 (1 ; p2 ) + 2 E (Yi Yi+1 ) ; E (Yi )E (Yi+1 )
i=1
;
= n12 np2 (1 ; p2 ) + 2(n ; 1)(p3 ; p4 )


Il reste a appliquer l'inegalite de Bienayme-Chebiche a Zn , soit :
p(jZ ; E (Z )j  ")  V (Zn )
n n "2
avec
lim V ( Z ) = lim 1 ;np2(1 ; p2 ) + 2(n ; 1)(p3 ; p4 )
= 0
n!1 n n!1 n2
Probabilites 87
Exercice 3-3
Soit X une variable aleatoire reelle a densite, de loi uniforme sur l'intervalle
]0; 1], et b un nombre reel strictement positif.
1. On pose Y = ;b ln(X ). Determiner une densite de Y , ainsi que son
esperance et sa variance.
Soient Y1 et Y2 deux variables aleatoires reelles independantes de m^eme loi
que Y .
On pose : U = Y1 + Y2 ; V = Y1 =Y2 (quotient de Y1 par Y2 ), S = ln(V ).
2. a) Determiner une densite de U .
b) Determiner une densite de S (on determinera au prealable une densite de
T = ; ln Y2 ).
c) En deduire une densite de V , puis une densite de la variable aleatoire W
denie par W = 1 +1 V .
Preciser l'esperance et la variance de W .
d) En exprimant W en fonction de Y1 et de Y2 , montrer que la valeur de
l'esperance de W etait previsible.
e) Calculer E (UW ) ; E (U )E (W ). Quelle remarque peut-on faire ?
Solution :
1. On a Y (
) = R+ , et pour tout y > 0 :
P (Y < y) = P (X > e; b ) = 1 ; e; b
y y

Aussi la densite de Y est denie (par :

1 ;y=b si y > 0
fY (y) = b e
0 sinon
On remarque que Y suit une loi ;(b; 1), donc que E (Y ) = b; V (Y ) = b2 .
2. a) Les variables Y1 et Y2 suivant toutes deux une loi ;(b; 1) et etant
independantes, le cours nous dit que U = Y1 + Y2 suit une loi ;(b; 2).
b) Soit T = ; ln Y2 . Alors T (
) = R et pour tout t reel :
;t ;t
P (T < t) = P (;b ln X > e;t ) = P (X < exp(; eb )) = exp(; eb )
D'ou la densite de T denie sur R par :
;t
fT (t) = exp(; eb )
1b e;t
88 ESCP 99 - Oral
Un calcul similaire donne qu'une densite de ln Y1 est denie sur R par :
t
f (t) = exp(; e )
1 et
Y
ln 1
b b
Posons S = ln Y1 ; ln Y2 . Alors S (
) = R et pour tout s 2 R :
Z
fS ( s ) = fln Y1 f; ln Y1 (s ; t)dt
R
soit Z ;t s;t
fS (s) = exp(; eb )
1b e;texp(; e b )
1b es;t dt
R
Posons u = '(t) = 1b e;t qui est une bijection de classe C 1 de R sur R+ . On
obtient : Z +1
fS (s) = es ue;u(1+es) du
et, pour tout s reel :
0

s s
fS (s) = (1 +e es )2 ;(2) = (1 +e es )2
c) On a V = exp(S ); V (
) = R+ et une densite de V est denie pour v  0
par fV (v) = (1 +1 v)2 .
On sait que W (
) =]0; 1] et pour tout 0 < w  1 :
1 
P (W < w) = P (V > 1 ; 1) = 1 ; F
w V w ;1
On obtient ainsi, pour la densite de W :
 1  1 
fW (w) = ;fV w ; 1 ; w2 = 1
ce qui donne que W suit une loi uniforme sur ]0; 1]. Ainsi E (W ) = 21 ; V (W ) =
1.
12
d) On sait que W = Y Y+2 Y = 1 ; Y Y+1 Y = 1 ; W 0 . Comme Y1 et Y2 jouent
des r^oles symetriques, W et W 0 suivent la m^eme loi, et E (W ) = E (W 0 ) = 1=2.
1 2 1 2

e) On a UW = Y2 . Donc E (UW ) ; E (U )E (W ) = 0. Si on peut etendre les

theoremes connus des variables aleatoires discretes aux variables continues,
alors U;W = 0. Cela signie-t-il que U et W sont independantes ?
Probabilites 89
Exercice 3-4
A. Soit k un entier naturel strictement positif. On considere une suite
(xn )n>0 , de nombres reels appartenant au segment [0; k[.
On pose pour tout n entier strictement positif :
X
n
sn = xj ; rn = f (sn ) = sn ; bsn c
j =1
ou bxc represente la partie entiere de x.
1. Montrer que la suite (rn ) est bornee.
2. Montrer que rn+1 = f (f (sn ) + xn+1 ), pour tout n > 0.
B. Soient X1 et X2 deux variables aleatoires reelles continues independantes,
denies sur le m^eme espace probabilise (
; B; P ) et toutes deux de loi
uniforme sur l'intervalle [0; k[.
1. Determiner une densite de la variable aleatoire S2 , denie par S2 =
X1 + X2 .
2. On denit la variable aleatoire R2 par : R2 = S2 ; bS2 c.
Determiner la fonction de repartition de R2 en fonction de celle de S2 et en
deduire une densite de R2 , dans les cas :
a) k = 1 ,
b) k = 2.
3. Soient (Xn )n>0 , une suite de variables aleatoires independantes denies
sur (
; B; P ), toutes de loi uniforme sur l'intervalle [0; 1[. On denit pour
tout n > 0 :
Sn = X1 + X2 +


+ Xn ; Rn = Sn ; bSn c
Determiner la loi de Rn (on pourra utiliser les resultats de la question A.2 et
un raisonnement par recurrence).
Solution :
A. 1. Pour tout n, sn est un nombre reel et pour tout n; 0  rn < 1. (rn
s'appelle la partie fractionnaire de sn ).
2. Calculons, pour tout n 2 N  :
f (sn ) + xn+1 = sn ; bsn c + xn+1 = sn+1 ; bsn c
90 ESCP 99 - Oral
et
f (f (sn ) + xn+1 ) = sn+1 ; bsn c ; b(sn+1 ; bsn c)c
= sn+1 ; bsn c ; bsn+1 c + bsn c
= rn+1
B. 1. On sait que S2 (
) = [0; 2k[ et que pour tout x reel, la densite f de S2
est denie par : Z
f (x) = fX1 (t)fX2 (x ; t)dt
R
Donc Zx
 0  x  k; f (x) = kdt2 = kx2
Z k dt 2k ; x
0

 k  x < 2k; f (x) = k2 = k2 .

x;k
Finalement : 80
> si x < 0
< kx
> 2
si 0  x  k
f (x) = > 2k ; x
>
: k 2
si k  x < 2k
0 si x  2k
2. a) Pour k = 1, il vient :
S
R2 = S2 ; 1 sisi 01 

S2 < 1
S2 < 2
2

Ainsi, pour t 2 [0; 1[ :

P (0  R2 < t)
= P f[(0  S2 < t) et (0  S2 < 1)] ou [(0  S2 ; 1 < t) et (1  S2 < 2)]g
et, par disjonction et inclusion :
P (0  R2 < t) = P (0  S2 < t) + P (1  S2 < 1 + t)
La fonction de repartition de R2 est denie par :
Zt Z 1+ t
FR2 (t) = xdx + (2 ; x)dx = t; pour t 2 [0; 1[
0 1

soit : (0
si t < 0
FR2 (t) = t si 0  t < 1
1 si t  1
ce qui signie que R2 suit une loi uniforme sur [0; 1[.
Probabilites 91
Pour k = 2, on a : 8S
>
< 1 2 si 0  S2 < 1
R = > SS ; 2 si 1  S2 < 2
2
: S ;; 23
2 si 2  S2 < 3
si 3  S2 < 4
et de m^eme que precedemment, pour t 2 [0; 1[, par disjonction et inclusion :
2

P (0  R2 < t) = P (0  S2 < t) + P (1  S2 < 1 + t) + P (2  S2 < 2 + t)

+ P (3  S2 < 3 + t)
Z t xdx Z txdx Z t x  Z t x 
1+ 2+ 3+
= 4 + 4 + 1 ; 4 dx + 1 ; 4 dx
0 1 2 3

=t
De m^eme que precedemment, R2 suit une loi uniforme sur [0; 1[.
3. Peut-on envisager de montrer par recurrence que Rn suit une loi uniforme
sur [0; 1[ ?
 c'est vrai pour n = 1; 2.
 supposons que Rn suive une loi uniforme sur [0; 1[. Alors Rn+1 = f (Sn+1 ) =
f (f (Sn ) + Xn+1 ) = f (Rn + Xn+1 ). Or Rn et Xn+1 suivent chacune une loi
uniforme sur [0; 1] et sont independantes. Par la question precedente, Rn+1
suit une loi uniforme sur [0; 1[.
Exercice 3-5
Soit n 2 N ; n  2.
n vehicules numerotes de 1 a n sont engages dans un rallye automobile. Ils
nissent une etape entre minuit et une heure du matin.
Pour tout i 2 f1; : : :; ng, on note Ui la variable aleatoire egale a l'heure
d'arrivee du vehicule i. On suppose que les variables (Ui ) sont independantes
et suivent une loi uniforme sur [0; 1].
Pour t 2 [0; 1], on note Nt la variable aleatoire representant le nombre de
vehicules arrives au plus tard a l'instant t.
Enn, pour tout i 2 f1; : : : ; ng, on note Ti la variable aleatoire representant
l'heure d'arrivee du vehicule classe en i-ieme position.
1. Determiner la loi de Nt .
2. Soit i 2 f1; : : :; ng. Determiner, sous forme d'une somme, la fonction de
repartition de Ti , puis une densite et l'esperance de Ti .
Solution :
92 ESCP 99 - Oral
1. Chaque variable aleatoire Ui suit une loi uniforme sur [0; 1]. Ainsi pour
tout t reel, P (Ui  t) = t.
Chaque voiture a la probabilite t d'arriver avant l'instant t, les heures
d'arrivee sont independantes et Nt representant le nombre de voitures arrivees
avant l'instant t, suit une loi binomiale B(n; t).
2. Pour tout i 2 f1; : : : ; ng, notons Fi la fonction de repartition de la variable
aleatoire Ti .
Pour tout t 2]0; 1[ ,
X
n
Fi (t) = P (Ti  t) = P (Nt  i) = Cnk tk (1 ; t)n;k
k =i
Ainsi, pour tout t reel :
80 si t  0
>
<X n
Fi (t) = > Cnk tk (1 ; t)n;k si t 2]0; 1[
: 1k i
=
si t  1
La fonction Fi verie les proprietes des fonctions de repartition des variables
a densite (F est continue, derivable sauf peut-^etre en 0 et 1, de limite 0 en
;1 et 1 en +1).
Pour tout 0 < t < 1 :
X
n nX
;1
F (t) = C kt (1 ; t) ; C k (n ; k)tk (1 ; t)n;k;1
0
i
k k ;1
n
n; k
n
k=i k =i
nX
;1 nX
;1
= Cnk+1 (k + 1)tk (1 ; t)n;k;1 ; Cnk (n ; k)tk (1 ; t)n;k;1
k=i;1 k=i
nX
;1 ;

= Cni iti;1 (1 ; t)n;i + (k + 1)Cnk+1 ; (n ; k)Cnk tk (1 ; t)n;k;1
k=i
= Cni iti;1 (1 ; t)n;i
Z 1
et E (Ti ) = iCni ti (1 ; t)n;i . Une integration par parties donne que :
0
Z Z
ti (1 ; t)n;i dt = ni +;1i ti+1 (1 ; t)n;i;1 dt
1 1
Ji =
0 0

= i + 1 Ji+1 =


= (i + 1)(i +n ;
n ; i ( i)!
2) : : : (n + 1)
Probabilites 93
et i
E (Ti ) = (i +iC n
1)C i
= n +i 1
n+1
Exercice 3-6
Une urne contient des boules blanches en proportion p et des boules rouges
en proportion q, toutes indiscernables au toucher, avec q = 1 ; p et 0 < p < 1.
On procede a une suite de n tirages au hasard d'une boule de l'urne, dont
on note la couleur avant de la replacer dans l'urne, n etant un entier naturel
superieur ou egal a 3, xe a priori. On constitue ainsi des series unicolores,
au gre des couleurs obtenues dans la suite des n tirages. Par exemple, pour
n = 9, en notant B l'obtention d'une boule blanche et R l'obtention d'une
boule rouge, la suite de resultats B; B; R; B; R; R; R; B; B fournit 5 series
unicolores : BB , puis R, puis B , puis RRR, et enn BB .
Soit X la variable aleatoire qui compte le nombre de series unicolores obtenues
a l'issue des n tirages.
1. Calculer :
a) la probabilite P [X = m].
b) la probabilite P [X = M ],
m et M designant respectivement les valeurs minimales et maximales que
peut prendre X .
On designe par Yi la variable aleatoire valant 1 lorsqu'une boule blanche est
obtenue au (i ; 1)-ieme tirage et une boule rouge est obtenue au i-eme tirage,
valant 0 sinon.
Symetriquement, on designe par Zj la variable aleatoire valant 1 lorsqu'une
boule rouge est obtenue au (j ; 1)-ieme et une boule blanche est obtenue au
j -eme tirage, valant 0 sinon.
2. Exprimer X en fonction des Yi et des Zj . En deduire l'esperance de X .
Tout au long de la suite des n lancers, on gagne un Euro a chaque fois que
l'obtention d'une boule blanche est immediatement suivie de l'obtention d'une
boule rouge ; inversement, on perd un Euro a chaque fois que l'obtention d'une
boule rouge est immediatement suivie de l'obtention d'une boule blanche.
Soit Gk la variable aleatoire representant le gain global en Euro(s), (positif
ou negatif), obtenu a l'issue du k-ieme tirage.
3. a) Determiner les lois de G1 ; G2 ; G3 .
94 ESCP 99 - Oral
b) Montrer que les variables Gk ; k > 1, sont toutes de m^eme loi.
c) Preciser l'esperance et la variance de Gk .
d) En utilisant la question precedente, calculer la variance de X .
Solution :
1. Le nombre de series unicolores est compris entre 1 et n. Donc X (
) 2
f1; : : : ; ng.
L'evenement (X = 1) correspond a des series unicolores de longueur n, soit
de boules blanches, soit de boules rouges. Aussi P (X = 1) = pn + qn .
L'evenement (X = n) correspond a un changement de couleur a chaque
tirage. Aussi
 si n = 2k est pair, l'evenement (X = n) correspond au tirage (BRBR : : : BR)
ou (RBRB : : : RB ) et P (X = n) = 2(pq)k .
 si n = 2k + 1 est impair, l'evenement (X = n) correspond au tirage
(BRBR : : : BRB ) ou (RBRB : : : RBR) et P (X = n) = pk+1 qk + pk qk+1 =
(pq)k .
2. Les variables aleatoires (Yi ) et (Zj ) representent les ruptures de couleurs.
En eet l'evenement (Yi + Zi = 1) correspond a un changement de couleur.
Xn X
n
Aussi X = 1 + Yi + Zj . Les variables aleatoires (Yi ) et (Zj ) suivant
i=2 j =2
toutes des lois de Bernoulli de parametre pq, on a E (X ) = 1 + 2(n ; 1)pq.
3. a) La variable aleatoire G1 est certaine : G1 (
) = f0g; E (G1 ) = 0; V (G1 ) =
0.
La variable aleatoire G2 prend ses valeurs dans f;1; 0; 1g et :
P (G2 = 1) = pq; P (G2 = ;1) = pq; P (G2 = 0) = 1 ; 2pq
La variable aleatoire G3 prend ses valeurs dans le m^eme ensemble.
 (G3 = 1) = (B; R; R) [ (B; B; R) ) P (G3 = 1) = pq2 + p2 q = pq
 (G3 = ;1) = (R; B; B ) [ (R; R; B ) ) P (G3 = ;1) = pq2 + p2 q = pq
 (G3 = 0) = (B; R; B ) [ (R; B; R) [ (B; B; B ) [ (R; R; R) ) P (G3 = 0) =
1 ; 2pq.
b) Soit k > 1. La variable aleatoire Gk est a valeurs dans f;1; 0; 1g. En eet
l'evenement (jGk j  2) est impossible puisque perdre (ou gagner) un second
Euro necessite d'avoir gagne (ou perdu) le premier.
 l'evenement (Gk = 1) signie avoir obtenu une boule blanche au premier
tirage, une boule rouge au k-ieme et des resultats quelconques entre ces deux
Probabilites 95
tirages. Aussi :
kX
;2
P (Gk = 1) = pq Cki ;2 pi qk;2;i = pq
i=0
 l'evenement (Gk = ;1) signie avoir obtenu une boule rouge au premier
tirage, une boule blanche au k-ieme et des resultats quelconques entre ces
deux tirages. Aussi :
kX
;2
P (Gk = ;1) = pq Cki ;2 pi qk;2;i = pq
i=0
 ainsi P (Gk = 0) = 1 ; 2pq.
c) Par des calculs evidents, il vient, pour k > 1; E (Gk ) = 0 et V (Gk ) = 2pq.
X
n X
n
d) On peut ecrire Gn = Yi ; Zj = Y ; Z . Ainsi :
i=2 j =2
 V (G
n ) = V (Y ) + V (Z ) ; 2cov(Y; Z ) = 2pq
V (X ) = V (Y ) + V (Z ) + 2cov(Y; Z )
Or Y et Z suivent la m^eme loi en inversant les r^oles de B et R. Aussi :
V (X ) = 4V (Y ) ; 2pq
Mais :
X
n X
V (Y ) = V (Yi ) + 2 cov(Yi ; Yj ) = (n ; 1)pq(1 ; pq) ; 2(n ; 2)(pq)2
i=2 2 i<jn
En eet, si j  i + 2, les variables Yi et Yj sont independantes (il n'y a pas
de tirage commun) et si j = i + 1; Yi
Yj = 0 et cov(Yi ; Yj ) = ;E (Yi )E (Yj ) =
;(pq)2 . Finalement :
V (X ) = (4n ; 6)pq ; (12n ; 20)(pq)2
Exercice 3-7
Soit n un entier naturel strictement positif, inconnu a priori.
Une urne contient des jetons a deux faces portant chacun, sur une des faces
un numero bleu, et sur l'autre face un numero rouge. On sait que, sur
l'ensemble des jetons de l'urne, k exactement portent le numero bleu k, ceci
pour k = 1; 2; : : : ; n, et que, parmi les k jetons portant le numero bleu k, un
et un seul porte le numero rouge i, ceci pour i = 1; 2; : : :; k.
96 ESCP 99 - Oral
1. Determiner, en fonction de n, le nombre de jetons contenus dans l'urne.
On tire au hasard un jeton de l'urne. On designe par B la variable aleatoire
associee a son numero bleu, et par R la variable aleatoire associee a son
numero rouge. On pose, d'autre part, G = B ; R.
2. a) Determiner la loi du couple (B; R).
b) En deduire les lois de B et de R. Calculer leurs esperances et leurs
variances.
c) Suite au tirage d'un jeton, on gagne G. Preciser l'esperance de G et calculer
la variance de G.
3. Deduire de b) et c), trois estimateurs sans biais de n, l'un etant une fonction
de B , le second une fonction de R et le troisieme une fonction de G. Preciser
leurs variances respectives. Lequel est le plus indique pour estimer n ?
Solution :
1. Le nombre total de jetons est egal a :
Xn
k = n(n2+ 1)
k=1
2. a) Le couple aleatoire (B; R) verie :
(B; R)(
) = f(i; j ) 2 N 2 j 1  j  i  ng
et pour tout (i; j ) 2 (B; R)(
) :
P ((B; R) = (i; j )) = n(n1+1) = n(n2+ 1)
2
b) Il vient immediatement que B (
) = f1; : : : ; ng et pour tout 1  i  n :
Xi
P (B = i) = P ((B; R) = (i; j )) = n(n2+i 1)
j =1
Ainsi :
Xn
E (B ) = n(n2+ 1) i2 = 2n 3+ 1 ;
i=1
Xn
E (B 2 ) = n(n2+ 1) i3 = n(n2+ 1) ;
i=1
n
V (B ) = 18 2
2
+ n ;
Probabilites 97
La loi de R est tout aussi immediate. On a R(
) = f1; : : :; ng et pour tout
1jn:
X n
P (R = j ) = P ((B; R) = (i; j )) = 2(nn(;n +j +1)1)
i=j
Un calcul elementaire donne E (R) = n + 2
3 ; V (R) = V (B ).
c) La variable aleatoire G est egale a B ; R. Aussi E (G) = E (B ) ; E (R) =
n ; 1 , et :
3
V (G) = V (B ) + V (R) ; 2cov(B; R) = n +18n ; 2
2

En eet :
X n X i
E (BR) = ijP ((B; R) = (i; j ))
i=1 j =1
Xi X
n
= n(n2+ 1) ij
i=1 j =1
= n(n4+ 1) + 2n 6+ 1
et :
cov(B; R) = n(n4+ 1) + 2n 6+ 1 ; (2n + 1)( 9
n + 2)
3. Posons B 0 = 3B2; 1 ; R0 = 3R ; 2; G0 = 3G + 1. Ces trois variables
aleatoires ont pour esperance n et sont des estimateurs sans biais de n. Et :
V (B 0 ) = n +8n ; 2 ; V (R0 ) = V (G0 ) = n +2n ; 2
2 2

indique que B 0 est un meilleur estimateur que R0 et G0 .

Exercice 3-8
Une epreuve ecrite de concours se presente sous forme d'un Q.C.M.
50 questions, supposees mutuellement independantes , y sont posees. Pour
chacune des 50 questions, il y a quatre sous-questions supposees mutuellement
independantes.
Pour chaque sous-question, le candidat a le choix entre deux reponses : hh vrai ii
ou hh faux ii. Les reponses aux questions sont presentees en ligne, une ligne par
98 ESCP 99 - Oral
question, chaque ligne etant constituee de quatre cases a cocher, une par
sous-question.
On suppose que le candidat donne une reponse a chaque sous-question et
qu'il repond a chaque fois au hasard.
On note F la variable aleatoire decomptant le nombre de sous-questions dont
la reponse est erronee.
1) Dans une premiere eventualite, on suppose que le Q.C.M. est corrige
hh question par question ii, c'est-a-dire qu'une ligne est consideree comme juste
et rapporte 4 points au candidat si et seulement si toutes les reponses de la
ligne sont correctes. Dans le cas contraire, le candidat est penalise d'un point.
On note X la variable aleatoire egale au nombre de points obtenus par le
candidat.
Determiner la loi de X , son esperance, et sa variance.
2) Desormais, on suppose que les sous-questions sont corrigees independamment
les unes des autres, chaque case ayant une reponse correcte rapportant 1 point
au candidat, et chaque case ayant une reponse incorrecte penalisant la note
de 1=4 de point.
On note Y la variable aleatoire egale au nombre de points obtenus dans cette
deuxieme correction.
Determiner la loi de Y , son esperance, et sa variance.
Solution :
1. Soit L le nombre de lignes non globalement justes. L prend ses valeurs
dans f0; 1; : : :; 50g et le nombre de points obtenus par le candidat est
4(50 ; L) ; L = 200 ; 5L.
Pour tout j 2 f0; : : :; 50g; P (X = 200 ; 5j ) = P (L = j ). Or L suit une loi
binomiale de parametres (50; p), avec p = 1 ; 214 = 16 15 . En eet, une ligne
est consideree comme correcte si les 4 reponses sont correctes, et ceci avec
la probabilite 16 1 . Les reponses etant considerees independamment ligne par
ligne, on obtient la justication demandee.
Comme X = 200 ; 5L, il vient
E (X ) = 200 ; 250p et V (X ) = 25V (L) = 1250p(1 ; p).
2. Soit F le nombre de reponses fausses. F prend ses valeurs dans f0; 1; : : :; 200g
et le nombre de points obtenus par le candidat est (200;F );F=4 = 200; 45 F .
Probabilites 99
Pour tout j 2 f0; : : : ; 200g; P (Y = 200 ; 5j=4) = P (F = j ). Or F suit une
loi binomiale de parametres (200; 1=2).
Donc Y (
) = f200 ; 5j=4; 0  j  200g, et pour tout j 2 f0; : : : ; 200g :
 1 n
j
P (Y = 200 ; 5j=4) = P (F = j ) = C200 2

Comme Y = 200 ; 5F=4, il vient E (Y ) = 75 et V (Y ) = 25 64 .

Exercice 3-9
Soient X1 ; X2 ; X3 ; X4 , quatre variables aleatoires independantes, denies sur
le m^eme espace probabilise (
; B; P ), et toutes de loi uniforme sur l'intervalle
[0; b], b etant un nombre reel strictement positif inconnu.
On denit les variables reelles a densite suivantes :
Y = min(X1 ; X2 ); Z = max(X1 ; X2 ); A = min(X3 ; X4 ); B = max(X3 ; X4 )
1. Determiner la loi de Y (fonction de repartition et densite).
2. Determiner la loi de Z (fonction de repartition et densite).
On denit, d'autre part, les variables aleatoires :
S = max(A; Y ); et T = min(B; Z )
et on note F et G, respectivement, les fonctions de repartition de S et T .
3. Determiner F et G, et montrer que :
() F (x) ; G(x)  0; 8 x 2 R
4. En integrant F et G par parties sur l'intervalle [0; b], et en utilisant la
relation (), montrer que E (S ) < E (T ), ou E designe l'operateur esperance.
5. Determiner des densites de S et T , et calculer les esperances et les variances
de S et T .
6. Soient a et b deux reels, avec a < b, et U et V , deux variables aleatoires
reelles a densite, denies toutes deux sur l'intervalle [a; b], dont les fonctions
de repartitions respectives, FU et FV sont supposees de classe C 1 et veriant
la relation : 8 x 2 R; FU (x) ; FV (x)  0.
A-t-on E (U k )  E (V k ) pour tout k entier naturel ?
Solution :
100 ESCP 99 - Oral
1. Les variables aleatoires X1 et X2 suivant une loi uniforme sur [0; b] et etant
independantes, il vient Y (
) = [0; b], et pour tout y 2 R :
P (Y > y) = P ((X1 > y) \ (X2 > y)) = (1 ; FX (y))2
et : 80
>
<  y 2 si y < 0
FY (y) = > 1 ; 1 ; si 0  y  b
:1 b
si y > b
d'ou une densite de Y :
(0 si y 2= [0; b]
fY (y) = 2 1 ; y  autrement
b b
2. Les variables aleatoires X1 et X2 suivant une loi uniforme sur [0; b] et etant
independantes, il vient Z (
) = [0; b], et pour tout z 2 R :
P (Z < z ) = P ((X1 < z ) \ (X2 < z )) = (FX (z ))2
et : 80
<  z 2 si z < 0
FZ (z ) = :
b si 0  z  b
1 si z > b
d'ou une densite de Z :
( 0 si z 2= [0; b]
fZ (z ) = 2z autrement
b2
3. Par independance de A et Y , il vient, pour tout s reel :
F (s) = p((A < s) \ (Y < s)) = [FY (s)]2 . Donc :
80 si s < 0
< s2
F (s) = : 4 (2b ; s) si 0  s  b
2
b
1 si s > b
De m^eme, par independance de B et Z , il vient, pour tout t reel :
1 ; G(t) = p((B > t) \ (Z > t)) = [P (Z > t)]2 .
Donc : 80 si t < 0
<2
G(t) = : t4 (2b2 ; t2 ) si 0  t  b
b
1 si t > b
2 x 2
Enn, pour tout x reel : G(x) ; F (x) = ; b4 (b ; x)2  0.
Probabilites 101
4. Comme F et G sont des fonctions de classe C 1 , les esperances de S et T
existent et :
Zb Zb
F (x)dx = [xF (x)]b ;
0 xfS (x)dx = b ; E (S )
Zb0
Zb
0

G(x)dx = [xG(x)]b0 ; xfT (x)dx = b ; E (T )

La relation, F (x) ; G(x)  0, pour tout x reel entra^ne donc que
0 0

Z b E (S ) 
E (T ). De plus, on a l'egalite E (S ) = E (T ) si et seulement si (G(x) ;
F (x))dx = 0 ce qui entra^ne F = G (puisque F ; G est positive et continue),
0

ce qui n'est pas le cas ici.

5. Un calcul
( 0 immediat donne : si s 2= [0; b] (0 si t 2= [0; b]
fS (s) = 4 s(s ; b)(s ; 2b) sinon ; fT (t) = 4t (b2 ; t2 ) sinon
b4 b4
et
7b ; V (S ) = 11b2 ; E (T ) = 8b ; V (T ) = 11b2
E (S ) = 15 225 15 225
6. Le cas k = 0 est evident et le cas k = 1 a ete traite dans une question
precedente. Pour k  2, considerons :
Zb   b
Zb
kxk;1 (FU ; FV )(x)dx = x (FU ; FV )(x) a ; xk (fU ; fV )(x)dx
k
a a
= E (V k ) ; E (U k )
Ainsi : Zb
E (U k )  E (V k ) , kxk;1 (FU ; FV )(x)dx  0
a
 pour k impair cette inegalite est toujours veriee.
 pour k pair, elle est veriee si a  0, mais n'est pas toujours veriee si
a < 0. En eet, dans ce cas, il est possible de trouver deux fonctions de
repartition FU et FV telles que l'integrale reste negative.
Exercice 3-10
On considere une fonction f de classe C 2 de [0; 1] dans R telle que f (0) = 0,
f 0 (0) =  2 ]0; 1[ et pour tout x 2 ]0; 1], f 0 (x) > 0 et f 00 (x) < 0.
1. a) Montrer que pour tout x 2 ]0; 1], on a f (x)  x.
102 ESCP 99 - Oral
b) On prend x0 2 ]0; 1] et pour n 2 N on denit par recurrence xn+1 =
f (xn )
Montrer que la suite (xn ) est decroissante et converge vers 0.

2. On considere des variables aleatoires independantes de Bernoulli (Xn )n2N

de parametre xn , c'est-a-dire que la probabilite de succes la n-ieme fois (ce
qui correspond a Xn = 1) est xn .

a) Quelle est la probabilite pn d'obtenir n echecs aux n premieres epreuves ?

b) Montrer que la suite (pn ) est decroissante et converge. On note ` sa

limite. Comment interpreter la propriete ` = 0 ?

c) Montrer que ` = 0 si et seulement si la serie de terme general xn diverge.

3. On pose f (x) = 1 +x x .

a) La fonction f verie-t-elle les hypotheses du 1 ?

b) Calculer xn1+1 ; x1n
En deduire un equivalent de xn quand n tend vers

l'inni.

Que vaut, dans ce cas, ` denie au 2) ?

Probabilites 103
Solution :
1. a) La fonction f etant de classe C 2 et veriant f (0) = 0; f 0 (0) =
; f 00 (t) < 0, la formule de Taylor avec reste integral permet d'ecrire, pour
tout x 2 [0; 1] : Zx
f (x) = x + (x ; t)f 00 (t)dt < x
b) Par la question precedente, comme  2]0; 1], la suite (xn ) est decroissante,
0

minoree par 0. Elle converge donc vers une limite L  0 qui verie L  L
donc L = 0 lorsque  < 1.
2. a) Par independance, on a :
Y
n
pn = (1 ; x1 )(1 ; x2 ) : : : (1 ; xn ) = (1 ; xk )
k=1
b) Comme ppn+1 = 1 ; xn < 1, la suite (pn ) est decroissante, et minoree par
n
0. Elle admet donc une limite `.
` = 0 signie obtenir une innite d'echecs, car les evenements En =hh obtenir
n echecs lors des n premieres epreuves ii, forment une suite decroissante
d'evenements. n
X
c) On a ln pn = ln(1 ; xk ). La suite (xn ) etant convergente vers 0, on
k=1 P
sait que pour n grandPln(1 ; xn )  ;xn . Ainsi la serie xn diverge si et
seulement si la serie ln(1 ; xn ) diverge c'est-a-dire si et seulement si la
limite n!lim
+1
ln(pn ) n'existe pas ou encore si et seulement si ` = 0.
3. On verie aisement que la fonction f : x 7! 1 +x x verie les conditions de
la premiere question,sauf pour  = 1. Mais, pour tout n 2 N :
1 1 xn 1
x ; x = 1+x ; x =1
 n +1 n n n
La suite x 1 ; x1 est convergente vers 1 (ici m^eme egale...). On peut
n+1 n n
ecrire : nX;1  1  1 1
; 1 = x ;x =n
k=0 xk+1 xk n 0
1 1 P
donc  n et x  . Ainsi la serie x diverge et ` = 0.
xn n n n
104 ESCP 99 - Oral
Exercice 3-11
1. Soient X et Y deux variables aleatoires denies sur le m^eme espace
probabilise (
; B; P ), independantes, de m^eme loi, a valeurs dans N et telles
que :
8 n 2 N ; P (X = n)0.
Les variables X + Y et X ; Y sont-elles independantes ?
2. Reciproquement, on suppose que X et Y , a valeurs dans N , sont telles que
X + Y et X ; Y sont independantes.
Les variables aleatoires X et Y sont-elles independantes ?
3. Soient X et Y a valeurs dans N , possedant une variance, telles que X + Y
et X ; Y soient independantes. Comparer la variance de X et celle de Y .
Solution :
1. La reponse est negative. En eet, on a P (X + Y = 1) 6= 0; P (X ; Y =
0) 6= 0, mais P ((X + Y = 1) \ (X ; Y = 0)) = 0.
2. Ici encore la reponse est negative. En eet, si X est une variable aleatoire
a valeurs dans N et si Y = X , alors X + Y = 2X; X ; Y = 0, et 2X est
independante de 0, alors que X ne l'est pas de X .
3. Comme X + Y et X ; Y ont une variance, leur produit a une esperance
et par independance E ((X + Y )(X ; Y )) = E (X + Y )E (X ; Y ), soit en
developpant :
E (X 2 ) ; E (Y 2 ) = E 2 (X ) ; E 2 (Y ) ) V (X ) = V (Y )
Exercice 3-12
On admet le resultat suivant :
Soit (un;k )n2N;k2N une suite a deux indices de reels positifs ou nuls telle que :
X1
a) pour tout k 2 N , la serie un;k converge. On note Sk sa somme ;
n=0
X
1
b) la serie Sk converge.
k=0
Alors on peut permuter les symboles
P, c'est-a-dire que l'on a :
X
1 X
1 X
1 ! X 1 X 1 !
Sk = un;k = un;k
k=0 k=0 n=0 n=0 k=0
Probabilites 105
1. Soit (
; A; P ) un espace probabilise et (X; N ) un couple de variables
aleatoires discretes denies sur
a valeurs dans N . On suppose que X admet
une esperance. Montrer que si on note E (X j N = n) l'esperance de la loi
conditionnelle de X sachant (N = n), on a :
X
1
E (X ) = E (X j N = n):P (N = n)
n=0
2. Une experience consiste a eectuer des lancers successifs et independants
d'une piece donnant hh pile ii avec la probabilite p 2 ]0; 1[ et hh face ii avec la
probabilite q = 1 ; p.
On note N la variable aleatoire egale au nombre de tirages necessaires pour
obtenir pour la premiere fois hh pile ii.
Dans un deuxieme temps, si hh pile ii est apparu pour la premiere fois au n-
ieme tirage, on eectue n lancers de la m^eme piece et on note X le nombre
de hh pile ii obtenus lors de cette seconde serie de lancers.
Determiner l'esperance de X (on admettra que cette esperance existe).
3. Dans un casino, un jeu se deroule de la facon suivante : un croupier melange
trois cartes, qui sont l'As de Coeur, le 2 de Coeur et le Valet de Pique et les
presente sur la table face cachee. Un joueur choisit une carte au hasard. Si
celle-ci est un Coeur, il gagne la somme correspondante (1 Euro si c'est l'As
ou 2 Euros si c'est le 2) et rejoue, le croupier melangeant a nouveau les trois
cartes ; si la carte tiree est le Valet de Pique, le jeu s'arr^ete.
On note N le nombre de cartes de Coeur tirees jusqu'a l'apparition du Valet
de Pique et S la somme des Euros obtenus.
a) Determiner la loi de N . Quelle est la probabilite que le Valet de Pique
n'apparaisse jamais ?
b) Determiner la loi conditionnelle de S sachant que N = n.
c) Quel prix minimum le casino doit-il faire payer une telle partie pour ne
pas ^etre perdant en moyenne ?
Solution :
X
1
1. La serie kP (X = kjN = n) est une serie convergente, car pour tout
k=0
k  1, on a :
0  kP (X = kjN = n)  kP (X = k)
et on sait que X admet une esperance.
106 ESCP 99 - Oral
X
1
On a donc, par denition E (X jN = n) = kP (X = kjN = n), et, par la
k=0
propriete admise : !
X
1 X
1 X
1
E (X ) = kP (X = k) = k P (X = kjN = n)P (N = n)
k=0 k=0 n=0!
X
1 X
1
= kP (X = kjN = n) P (N = n)
n=0 k=0
X
1
= E (X jN = n)P (N = n)
n=0
2. N represente le temps d'attente du premier hh pile ii. On sait que N suit une
loi geometrique de parametre p, soit pour tout n 2 N  : P (N = n) = pqn;1 .
Or la loi conditionnelle de X conditionnee par (N = n) represente le nombre
de
hh piles ii obtenus lors de n lancers ; c'est donc une loi binomiale de parametres
(n; p). Donc pour tout 0  k  n :
P (X = kjN = n) = Cnk pk qn;k ; E (X = kjN = n) = np
En utilisant la question precedente, il vient :
X
1
E (X ) = E (X jN = n)P (N = n)
n=1
X
1 X
1 !
= np
pqn;1 = p2 nqn;1
n=1 n=1
= p (1 ; q)2 = 1
2 1

3. a) N represente le nombre de parties jouees avant l'apparition du Valet de

Pique. N suit une loi geometrique sur N de parametre 13 , soit :
 n
P (N = n) = 31 23 ; 8 n 2 N
X
1
On a alors P (N = n) = 1 et la probabilite que le Valet de Pique
n=0
n'apparaisse jamais est nulle.
b) L'evenement (N = n) correspond au tirage de n cartes Cur, qui rapporte
chacune 1 ou 2 Euros. Donc (S jN = n)(
) = fn; : : : ; 2ng.
Probabilites 107
c) (S = kjN = n) correspond
 x + y =aun tirage de xx =cartes As de Cur et y cartes
deux de Cur, avec x + 2y = k . Donc y = k ; nk . 2 n ;
Ainsi, pour tout k 2 fn; : : : ; 2ng :
k;n
P (X = kjN = n) = C2nn
et
Xn Cnk;n 1 X
2 n
E (X jN = n) = k 2n = 2n (n + j )Cnj
k n
= j =0

1 X j 1X
= 2n n
n n
j
Cn + 2n jCn
j =0 j =0
= n + n2 = 32n
et
X
1 1 3n 1  2 n
X 1X 1  
2 n;1 = 3
E (S ) = E (S jN = n)P (N = n) =

= n
n=0 n=0 2 3 3 3 n=1 3
Le prix minimum que le casino doit faire payer pour ne pas ^etre perdant en
moyenne doit ^etre superieur ou egal a 3 Euros.
Exercice 3-13
Soit (
; A; P ) un espace probabilise et T une variable aleatoire denie sur

suivant une loi normale centree reduite N (0; 1).

1. Rappeler l'expression d'une densite ' de T . On notera  la fonction de
repartition de T .
2. a) Montrer que pour tout x > 0, on a : 0 < 1 ; (x)  2x1 2 .
(on pourra utiliser l'inegalite de Bienaym
Z e+-Chebiche).
1;

b) En deduire l'existence de l'integrale 1 ; (x) dx, puis la calculer.
0

3. On associe a T les variables aleatoires suivantes :

X = jT j; Y = bT c; Z = bX c
ou j j designe la valeur absolue et b c designe la partie entiere.
a) Determiner une densite de X .
108 ESCP 99 - Oral
b) Exprimer, pour tout k 2 N , la probabilite p(Z = k) a l'aide de la fonction
.
c) Determiner, pour tout k 2 Z, la probabilit
X ;e P (Y = k).
d) Montrer la convergence de la serie k P (Y = k) ; P (Y = ;k) (on


k1
pourra raisonner a partir des sommes partielles). En deduire l'esperance de
Y.
e) Montrer que Z admet une esperance.
Solution :
1. C'est eectivement une question de cours ! Une densite de T est denie
pour tout x reel par '(x) = p1 e;x =2 et la fonction de repartition de T est
2

Zx 2
alors (x) = '(t)dt.
;1
2. Par denition d'une fonction de repartition, on sait que pour tout x reel,
0  (x)  1, et, ici, comme e;t2 =2 > 0 pour tout t reel, on a : (x) < 1.
a) L'inegalite de Bienayme-Chebiche arme que, pour tout x reel :
P (jT j > x)  1 , P ((T > x) [ (T < ;x))  1
x2 x2
donc que 2P (T > x)  x12 ce qui correspond a 1 ; (x)  2x1 2 .
Z + 1
b) La majoration que l'on vient d'obtenir montre que l'integrale (1 ;
0
(x))dx converge. De plus, pour tout A > 0 :
ZA ZA
(1 ; (t))dt = [t(1 ; (t))]A ;
0 t'(t)dt
0 0

Or 0 < A(1 ; (A))  A 2A1 2 entra^ne que A!lim +1

A(1 ; (A)) = 0, donc
que : Z +1 Z +1
(1 ; (t))dt = t'(t)dt = p1
0 0 2
3. a) Calculons la fonction de repartition de X = jT j.
 pour tout x  0; P (X  x) = 0. Zx
 pour x > 0, P (X  x) = P (;x  T  x) = '(t)dt = 2(x) ; 1.
;x
Probabilites 109
Une densite de X est alors : 
'1 (x) = 02'(x) sisi xx 
>0
0
Z +1 r
et son esperance est E (X ) = 2 '(t)dt = 2 . 
0
b) Pour tout k  0, on a (Z = k) = (bX c = k) = (k  X < k + 1). Ainsi :
Zk +1
P (Z = k) = 2 '(t)dt = 2[(k + 1) ; (k)]
k
c) de la m^eme facon, pour k 2 Z : (Y = k) = (bT c = k) = (k  T < k + 1),
et Z k+1
P (Y = k) = '(t)dt = (k + 1) ; (k)
k
d) Utilisons, comme suggere dans l'enonce, les sommes partielles. Pour tout
N 2N :
XN ;
XN ;

k p(Y = k) ; p(Y = ;k) = k (k + 1) ; (k)
k
=1 k =1

X
N ;

; k (;k + 1) ; (;k)
k=1
Or :
XN ;
XN XN
k (k + 1) ; (k) = [(k + 1)(k + 1) ; k(k)] ; (k + 1)
k=1 k =1 k =1
NX +1

= (N + 1)(N + 1) ; (1) ; (k)

k=2
et comme pour tout x  0; (;x) = 1 ; (x) :
XN ;
XN ;

k (;k + 1) ; (;k) = k (k) ; (k ; 1)
k=1 k =1

XN X
N
= [k(k) ; (k ; 1)(k ; 1)] ; (k ; 1)
k=1 k=1
NX
;1
= N (N ) ; (k)
k=0
110 ESCP 99 - Oral
Donc :
X
N ;

k p(Y = k) ; p(Y = ;k) = N ((N + 1) ; (N )) + (N + 1)
k=1
;(1) + (0) + (1) ; (N ) ; (N + 1)
Or : Z N +1 e;t2=2
N ((N + 1) ; (N )) = N p dt  pN e;N 2 =2
N 2 2
tend vers 0 lorsque N tend vers l'inni. Ainsi :
XN ;

lim
N! 1 k
+
k p(Y = k) ; p(Y = ;k) = 1 ; (0) = 12
X =1

e) La serie k((k + 1) ; (k)) est convergente, car

Z k e;t =+1
ke;k =
2 2 2 2
0 < k((k + 1) ; (k)) = k p dt  p
k 2 2
qui est le terme general d'une serie convergente. Ceci signie que l'esperance
de Z existe.
Exercice 3-14
On considere n variables aleatoires X1 ; X2 ; : : : ; Xn independantes suivant la
m^eme loi de Poisson de parametre inconnu .
Xn
1. On pose Sn = Xk et Xn = n1 Sn .
k=1
Rappeler la loi de Sn .
Montrer que Xn est un estimateur de  sans biais et convergent.
2. On pose  = P (X = 0) = e; (ou P (A) designe la probabilite de
l'evenement A) et on cherche un estimateur sans biais du parametre .
(Dans le cas ou X represente le nombre de pannes que subit un appareil,
P (X = 0) est la probabilite qu'il n'y ait aucune panne et c'est en ce sens
qu'il est interessant de l'estimer).
a) Calculer l'esperance de Tn = e;Xn = exp(;Xn ) et montrer que Tn n'est
pas un estimateur sans biais de .
b) Soit s un entier quelconque. Montrer que la loi conditionnelle de X1 sachant
[Sn = s] est une loi binomiale dont on determinera les parametres.
Preciser en particulier la valeur de P (X1 = 0 j Sn = s)
Probabilites 111
c) On considere la variable aleatoire :
  Sn
b = 1 ; n1
Montrer que b est un estimateur sans biais de .
d) Calculer la variance de b et montrer que n!lim
+1
V (b ) = 0.
Solution :
1. Les n variables aleatoires X1 ; X2 ; : : : ; Xn etant independantes et suivant
la m^eme loi de Poisson de parametre , on sait que Sn suit une loi de Poisson
de parametre n. Son esperance et sa variance sont donc egales a n. De plus
E (Sn ) =  et V (Sn ) = n .
Comme n!lim +1
V (Sn ) = 0, Sn est un estimateur sans biais et convergent de
.
2. a) On sait, d'apres le theoreme de transfert, que :
X
+1 X
+1
)k
E (Tn ) = e P (Sn = k) = e; nk e;n (n
; k
n
k!
k=0 k=0
X1 ;e; =n(n)
k
+ 1
= e;n k!
k=0
(n)(e;1=n ;1)
=e
On a E (Tn ) 6=  ce qui signie que Tn n'est pas un estimateur sans biais
de . On a tout de m^eme n!lim +1
E (Tn ) =  ce qui signie que Tn est
asymptotiquement sans biais.
b) On sait que :
P (X1 = kjSn = s) = P ((X1 P=(Sk) \=(sS)n = s))
Or, P ((X1 = k) \X
P n X = s ; k)). Les variables
(Sn = s)) = P (X1 = k \ ( jX6=1 j
aleatoires X1 et Xj sont independantes et Xj suit une loi de Poisson
j 6=1 j 6=1
de parametre (n ; 1). On obtient alors :
s;k
P (X1 = kjSn = s) = e; k! e;(n;1)  ((n(;s ;1)k)!)
k
 e;ns(!n)s
112 ESCP 99 - Oral
et  1 k  n ; 1 s;k
(n ; 1)s;k
k
P (X1 = kjSn = s) = Cs ns k
= Cs n n
Ainsi la loi conditionnelle de X1 sachant (Sn = s) est la loi binomiale de
parametres s; n1 . Enn :
 s
P (X1 = 0jSn = s) = 1 ; n1
c) D'apres le theoreme de transfert :
X 1
E (b) = P (X
+

1 = 0jSn = s)P (Sn = s) = P (X1 = 0) = e;

s=0
et b est un estimateur sans biais de .
d) Comme dans les questions precedentes :
+1 
X 2s
b
E ( ) =
2 1
1 ; n P (Sn = s)
s=0
X1  2s )s
1 ; n1 e;n (n
+
= s!
s=0
;
s
;n X
1 + 1 ; n (n)
1 2

=e s!
s=0
= e;2 e 
n
 
V (b) = e;2 e n ; 1
quantite qui tend vers 0 lorsque n tend vers l'inni.
Exercice 3-15
Soit (
; A; P ) un espace probabilise. Soit r un reel tel que 0 < r < 1. Soit X
une variable aleatoire suivant une loi de Bernoulli de parametre r et, pour
n  2, Sn une variable aleatoire suivant une loi binomiale de parametres
(n; r).
1. a) Pour tout reel t > 0, on pose g(t) = E (exp(;tX )). (E designe
l'esperance, exp la fonction exponentielle). Calculer g(t) en fonction de t
et r.
Probabilites 113
b) Justier l'egalite :
  S    t n
E exp ;t n = g
n n
2. Soit a un reel tel que 0 < a < r < 1 et t un reel positif xe.
a) Montrer que :
 Sn 
   Sn  
p n  a = p exp ;t n ; a  1
b) Soit Y une variable aleatoire prenant un nombre ni de valeurs positives.
Montrer que p(Y  1)  E (Y ). En deduire que :
 Sn    t n
p n  a  exp(at) g n
3. a) Etudier les variations de la fonction t 7! ln [exp(at)g(t)]
b) En deduire qu'il existe une constante M > 0 telle que :
 Sn 
p n  a  exp(;nM )
4. Soit " > 0 donne. Donner une interpretation probabiliste du resultat
precedent lorsque a = r ; ".
Solution :
1. a) On sait que e;tX (
) = f1; e;tg. Ainsi :
g(t) = (1 ; r) + re;t
b) Soient (X1 ; X2 ; : : : ; Xn) n variables independantes suivant une loi de
Xn
Bernoulli de parametre r, alors Snn = n1 Xi et :
   !!
i=1 !
E exp ; tSn = E exp ; tX n
X = E
Yn
exp( ; tXi )
n n i=1 i n
i=1
Yn    n
= E [exp(; tX n
i )] = g t
n
i=1
 Sn t >0 etcomme
2. a) Comme
S n
la fonction
  exponentielle
 Sn  est bijective,
 on peut
ecrire : n  a = n ; a  0 = ;t n ; a  0
    
= exp ;t Snn ; a  1
114 ESCP 99 - Oral
b) On suppose que Y (
) = fy1; y2 ; : : : ; yn g, avec yi  0, pour tout i 2
f1; : : : ; ng. On a alors :
X
n X X
E (Y ) = yi P (Y = yi ) = yi P (Y = yi ) + yi P (Y = yi )
i=1 ijyi 1 ijyi 1
X X
 yi P (Y = yi )  P (Y = yi ) = P (Y  1)
ijyi 1 ijyi 1
(On remarquera que cette inegalite reste veriee m^eme si P (Y  1) = 0,
puisque l'esperance de Y est positive). Par les deux resultats precedents,
pour tout t > 0 :      S  
S
P n  a = P exp ;t nn ; a  1
n
   Sn 
 E exp ;t n ; a
   Sn 
= eat E exp ;t n
  t n
= eat g n
3. a) On peut ecrire ' : t 7! at + ln(re;t + 1 ; r). Cette fonction est continue
et derivable sur R+ et, pour tout t  0 :
'0 (t) = et (r ;r1) ; r + a
 
On a '0 (t) = 0 si et seulement si t = t0 = ln a(a(r;;1)1)r > 0 (car
0 < a < r < 1). Ainsi la fonction ' admet un minimum en t0 qui est
strictement negatif, puisque '(0) = 0.
b) Notons ;M ce minimum. On remarque que :
  t n   t n
eat g at=n
= e g = n( t )
n n n
avec (t) = e'(t) .Donc : 
 n
P Sn  a  e'(t=n) = en'(t=n)  e;nM
n
4. Si a  r ; ", il vient :  
P Snn  r ; "  e;nM
Probabilites 115
qui tend vers 0 lorsque n tend vers l'inni. Ainsi :
 Sn 
lim P
n!+1 n r;" =1
Exercice 3-16
On lance une piece de monnaie jusqu'a ce que l'on obtienne pour la premiere
fois une serie d'au moins deux resultats identiques suivis d'un resultat
contraire. On arr^ete alors les lancers.
On suppose qu'on a une probabilite p d'obtenir hh pile ii et q = 1 ; p d'obtenir
hh face ii lorsqu'on lance cette piece et que les resultats des divers lancers sont
independants.
On note :
 X la variable aleatoire egale au nombre de lancers eectues,
 Y la variable aleatoire egale au rang du lancer ou commence la premiere
serie de resultats identiques ,
 Z la variable aleatoire egale a 0 si la premiere serie de resultats identiques
est une serie de faces, egale a 1 si la premiere serie de resultats identiques est
une serie de piles.
Par exemple :
pour PFPFPPPPF , on a X = 9, Y = 5 et Z = 1.
pour FFFFP , on a X = 5, Y = 1 et Z = 0.
1. Determiner la loi du triplet (X; Y; Z ), puis du couple (X; Y ) (on pourra
separer les cas Y pair et Y impair).
2. On se place dans le cas ou p = 1=2. Determiner la loi et l'esperance de X .
3. On considere la fonction Pascal suivante :
Function f(p : real) : char ;
Var ok : boolean ;
Begin
ok :=random<=p ;
If ok Then f :='p' Else f :='f'
End ;
La fonction random, sans parametre, est une fonction qui renvoie une valeur
de type real prise au hasard dans l'intervalle [0; 1]. Chaque appel a cette
fonction donne une nouvelle valeur independante des precedentes.
116 ESCP 99 - Oral
Que rend la fonction f lorsqu'on l'execute ?
4. On desire simuler l'experience decrite dans cet exercice, lorsque p = 0:8.
A l'aide de la fonction f, ecrire un programme achant a l'ecran une serie
de lancers, et la valeur correspondante des variables aleatoires X et Y sous
la forme : PFPFPFPPPPPF 12 7.
(on utilisera une variable r : array[1..1000] of char dans laquelle on
rangera les resultats des lancers successifs obtenus.)
Solution :
1. Il est evident que Z (
) = f0; 1g et que :
(X; Y ))(
) = f(`; m) 2 N 2 j `  m + 2g.
Calculons la probabilite P ((X; Y; Z ) = (`; m; n)).
 l'evenement (X; Y; Z ) = (`; 2k; 0) correspond a l'obtention d'une suite de
PF k fois, puis d'une suite de F (` ; 2k ; 1) fois qui commence au coup 2k
et un P au rang `. Ainsi P ((X; Y; Z ) = (`; 2k; 0)) = pk+1 q`;k;1 .
 l'evenement (X; Y; Z ) = (`; 2k; 1) correspond a l'obtention d'une suite de
FP k fois, puis d'une suite de P (` ; 2k ; 1) fois et un F au rang `. Ainsi
P ((X; Y; Z ) = (`; 2k; 0)) = p`;k;1 qk+1 .
 l'evenement (X; Y; Z ) = (`; 2k + 1; 1) correspond a l'obtention d'une suite
de PF k fois, puis d'une suite de P (` ; 2k ; 1) fois et un F au rang `. Ainsi
P ((X; Y; Z ) = (`; 2k + 1; 0)) = p`;k;1 qk+1 .
 l'evenement (X; Y; Z ) = (`; 2k + 1; 0) correspond a l'obtention d'une suite
de FP k fois, puis d'une suite de F (` ; 2k ; 1) fois et un P au rang `. Ainsi
P ((X; Y; Z ) = (`; 2k + 1; 0)) = pk+1 q`;k;1 .
On sait que (X; Y ))(
) = f(`; m) 2 N 2 j `  m + 2g. Donc, pour tout
1m`;2 :
P ((X = `) \ (Y = m)) = pk+1 q`;k;1 + qk+1 p`;k;1
2. Lorsque p = 1=2, pour tout 1  m  ` ; 2 :
 1 `;1
P ((X = `) \ (Y = m)) = 2
et la loi de X est denie pour tout `  3 par :
X
`;2  `;1
P (X = `) = P ((X = `) \ (Y = m)) = (` ; 2) 12
m=1
On sait que pour jxj < 1 :
X
+1 X
+1

k(k ; 1)xk;2 = (1 ;2 x)3 ) k(k ; 1)xk;1 = (1 ;2xx)3

k=2 k=2
Probabilites 117
et
X1 X1 X1
kxk;1 = (1 ;2xx)3 ; (1 ;1 x)2 + 1
+ + +
k(k ; 2)xk;1 = k(k ; 1)xk;1 ;
k=2 k=2 k=2
Donc :  1 `;
X1
+ 1
E (X ) = `(` ; 2) 2 =5
`=3
3. La fonction proposee simule le lancer d'une piece avec la probabilite p
d'obtenir Pile. Elle retourne la lettre p avec la probabilite p et la lettre f avec
la probabilite 1 ; p.
4. Voici un programme :
Program Pile Face ;
Uses CRT ;
Var r : array[1..1000] of char ;
i,y : integer ;
Function f(p : real) : char ;
Var ok : boolean ;
Begin
ok :=random<=p ;
If ok Then f :='p' Else f :='f'
End ;
Begin
Randomize ;
r[1] :=f(0.8) ; i := 1 ;
Write (r[i]) ;
Repeat
i :=i+1 ; r[i] :=f(0.8) ; write r[i]
Until r[i-1]=r[i] ;
y :=i-1 ;
Repeat
i :=i+1 ; r[i] :=f(0.8) ; write r[i]
Until r[i-1]<>r[i] ;
Write (' ',i,' ',y)
End.
118 ESCP 99 - Oral
Exercice 3-17
Soit n 2 N  . Un jeu consiste a tirer un numero parmi les nombres f0; : : :; ng.
Le joueur gagne la somme x egale au numero tire si ce numero est pair, ou
perd cette somme x si le numero tire est impair.
1. On suppose que le numero tire suit une loi uniforme sur f0; :::; ng.
Determiner la loi du gain (positif ou negatif) du joueur, et son esperance.
Quelle est la probabilite que le joueur gagne a ce jeu ?
Y-a-t-il des valeurs de n qui optimisent l'esperance du gain ?
2. Reprendre les questions precedentes dans le cas ou le numero tire suit une
loi binomiale de parametres n et 1=2.
Solution :
1. On a immediatement X (
) = f(;1)k k; 0  k  ng. La variable aleatoire
X prend chacune de ces valeurs avec la probabilite n +1 1 . Ainsi :
X
n k
E (X ) = (;1)k n + 1
k=0
Donc
 si n = 2p; E (X ) = 2p p+ 1 ,
 si n = 2p + 1; E (X ) = ; 12 .
De m^eme :
Xp
 si n = 2p; P (X > 0) = P (X = 2k) = 2p p+ 1 ,
k=1
 si n = 2p + 1; P (X > 0) = 2(p p+ 1) .
La probabilite que le joueur gagne de l'argent est inferieure a 12 .
2. Dans cette question X (
) n'a pas change, mais pour tout 0  k  n,
k
P (X = (;1)k k) = C2nn
Ainsi
X k  n n n
n = 1 X(;1)k nC k;1 = ;1=2 si n = 1
n
E (X ) = (;1)k kC n n ;
k=1 2 2 k=1 1
0 si n > 1
Probabilites 119
Le jeu est donc equilibre si n > 1. Enn :
X X Cnk 2
2n;1 ; 1 = 1 ; 1
P (X > 0) = P (X = 2k) = 2n = 2n 2 2n
k1 k 1
La encore, la probabilite que le joueur gagne de l'argent est inferieure a 21 .
Exercice 3-18
Soient X1 ; : : : ; Xn; Y1 ; : : : ; Ym , n + m variables aleatoires independantes
suivant une loi de Bernoulli de parametre inconnu p.
On se propose d'estimer p. On suppose dans la suite que n > m.
X n 1X m
Soit M1 = n1 Xk ; M2 = m Yk et N = M1 +2 M2 .
k=1 k=1
1. Verier que M1 ; M2 et N sont des estimateurs sans biais et convergents
de p.
Quel est le meilleur des trois ? (c'est-a-dire, celui dont la variance est la plus
petite)
On discutera suivant les valeurs de n et m.
2. Parmi les estimateurs de p de la forme aM1 + bM2 quel est le meilleur
estimateur sans biais ?
Solution :
1. De facon evidente, E (M1 ) = E (M2 ) = E (N ) = p. Ces trois estimateurs
sont sans biais. De plus : 1 1 
pq pq 1 pq
V (M1 ) = n ; V (M2 ) = m ; V (N ) = 4 (V (M1 )+V (M2 )) = 4 n + m
 si n > m; V (M1 ) < V (M2 ) et M1 est un meilleur estimateur que M2.
 VV((MN )) = m4+n n < 1 car n > m. Ainsi N est un meilleur estimateur que
2
M2 .
 VV((MN )) = m4+m n . Donc si m < n < 3m, N est meilleur que M1 lui m^eme
1
meilleur que M2 . Si 3m < n, M1 est meilleur que N lui m^eme meilleur que
M2 .
2. On sait que E (aM1 + bM2) = (a + b)p. Donc aM1 + bM2 est un estimateur
sans bais de p si et seulement si a + b = 1. De plus :
V (aM1 + bM2 ) = a2 pq
n + b 2 pq
m
120 ESCP 99 - Oral
Il faut donc minimiser cette fonction de (a; b) sous la contrainte a + b = 1.
On etudie donc :
F : a 7! F (a) = a2 pq 2 pq
n + (1 ; a) m
qui presente un minimum pour a = n +n m . Le meilleur estimateur sans biais
du type aM1 + bM2 est donc n +n m M1 + n + m M.
m 2
Exercice 3-19
1. On considere la fonction f denie sur R par t 7! f (t) = 21 exp(;jtj).
Montrer que f est la densite de probabilite d'une variable aleatoire X dont
on determinera la fonction de repartition, l'esperance et l'ecart-type.
On dit alors que X suit la loi de Laplace.
2. Soient X1 et X2 deux variables aleatoires independantes, de m^eme loi que
X.
Determiner une densite g : x 7! g(x) de Y = X1 + X2. On distinguera les cas
x < 0 et x > 0.
Quelles sont les valeurs de l'esperance et de l'ecart-type de Y ?
3. a) Donner sans calculs une densite de la variable aleatoire X1 ; X2 .
b) Dans un laboratoire, un technicien eectue independamment l'une de
l'autre, deux pesees successives d'un m^eme objet. On suppose que l'erreur
qu'il commet a chaque pesee suit une loi de Laplace.
Soit a reel positif. Quelle est la probabilite que les deux mesures eectuees
ne dierent pas de plus de a ?
c) Pour quelles valeurs de a l'inegalite de Bienayme-Chebychev donne-t-elle
une information sur cette probabilite ?
Solution :
1. La fonction f est continue sur R, positive ; il sut donc de verier qu'elle
est d'integrale 1. La convergence
Z +1 est evidente Z +1 et, par parite :
f (t) dt = 22 e;t dt = 1
;1 0
Soit F la fonction deZx r
e partition de X , on a:
Si x  0, F (x) = 12 et dt = 12 ex
;1
Probabilites 121
Si x  0, par symetrie, F (x) = 1 ; F (;x) = 1 ; 12 e;x .
? La convergence (absolue) de l'integrale denissant l'esperance est banale
et, par symetrie, l'esperance est nulle.
? Enn la variance est Z +e1gale au momentZd'ordre 2 et :
+1
V (X ) = 1 2 ;jtj t2 e;t dt = ;(3) = 2
;1 2 t e dt = 0

2. Une densite g de Y est donneZe, par convolution, par :

+1
g(x) = 1 e;jtje;jx;tj dt
;1 4
Zx Z 0 Z + 1
Pour x < 0, 4g(x) = e2t;x dt + ex dt + ex;2t dt
;1 x 0

D'ou : g(x) = 41 (1 ; x)ex

Z0 Zx Z +1
Tandis que pour x > 0 : 4g(x) = e2t;x dt + e;x + ex;2t dt
;1 0 x
D'ou : g(x) = 41 (x + 1)e;x .
On peut donc ecrire : 8 x 2 R; g(x) = 14 (1 + jxj)e;jxj .
Par linearite de l'esperance : E (Y ) = 0 et, par independance :
V (Y ) = V (X1 ) + V (X2 ) = 4.
3. a) La variable ;X2 a m^eme loi que X2 , donc, toujours par independance,
X1 ; X2 a m^eme loi que Y = X1 + X2 .
b) Soit X1 l'erreur aleatoire commise lors de la premiere mesure et X2
celle commise lors de la seconde. On cherche la probabilite de l'evenement
jX1 ; X2 j  a, c'est-a-dire ;a  X1 Z; X2  a. On peut Z a donc ecrire :
a
p = P (;a  X1 ; X2  a) = g(x) dx = 12 (x + 1)e;x dx
;a 0
Une integration par parties donne la solution et :
;
p = 21 2 ; (a + 2)e;a


c) L'inegalite de Bienayme-Chebychev donne une indication des que la
largeur de l'intervalle considere est egale au moins a deux fois l'ecart-type de
Y , c'est-a-dire pour a  2.
Exercice 3-20
122 ESCP 99 - Oral
Soient X et Y des variables aleatoires independantes suivant la m^eme loi
exponentielle de parametre 1.
Soit Z = X X+Y .
1. Pour tout t 2 [0; 1], determiner une densite sur R+ de la variable
t(X + Y ) ; X (qui s'ecrit egalement (t ; 1)X + tY ).
2. En deduire la loi de Z .
Solution :
1. Y suit la loi exponentielle de parametre 1, donc tY suit la loi exponentielle
de densite f (u) = 1t exp(; ut ), pour u  0 et f (u) = 0, pour u < 0 (ecrire
P (tY  u) = P (Y  ut ), ce qui donne la fonction de repartition et deriver).
De la m^eme facon (1 ; t)X suit la loi exponentielle de parametre 1 ; 1 et
t
(t ; 1)X , qui est son opposee, admet pour densite la fonction g denie par :
u ), si u  0 et g(u) = 0, si u > 0.
g(u) = 1 ;1 t exp( 1 ; t
Une densite h de T = (1 ; t)X + tY est donc donnee par convolution :
Z +1
8 x 2 R; h(x) = f (x ; u)g(u) du
;1
La fonction a integrer est non nulle si et seulement si x ; u  0 et u  0.
Donc, pour x  0 :
Z0
h(x) = 1 exp(; x ; u ) 1 exp( u ) du
;1 t t 1;t 1;t
Z
exp(; xt ) exp( u ) du = exp(; xt )
0
= 1
t(1 ; t) ;1 t(1 ; t)
2. La variable Z prend clairement ses valeurs entre 0 et 1 et, pour t 2 [0; 1] :
[Z  t] = [X  t(X + Y )] = [(t ; 1)X + tY  0] = [T  0]
C'est pour cela qu'il susait de conna^tre
Z +une densite sur R+ de T et :
1
P (Z  t) = P (T  0) = exp(; xt ) dx = t
0
La variable Z suit la loi uniforme sur [0; 1].
Exercice 3-21
Z 1
Pour a > 0 et b > 0 on pose B (a; b) = ua;1(1 ; u)b;1 du.
0
Probabilites 123
1. a) Justier l'existence de B (a; b).
b) Calculer B (a; b) lorsque a et b sont des entiers naturels non nuls.
2. On rappelle que Xa suit la loi ;(1; a) si une densite fa de Xa est denie
par : ( 1 a;1 ;t
fa (t) = ;(a) t e si t > 0
Z +1 0 si t  0
Pour x > 0, exprimer fa (t)fb (x ; t) dt en fonction de B (a; b).
;1
En deduire que pour a > 0 et b > 0, B (a; b) = ;( a);(b)
;(a + b) .
Exprimer B (a + 1; b) en fonction de B (a; b).
3. A l'aide du changement de variable u = 2t ; 1, calculer :
Z1
B (1=2; 1=2) = p pdt .
0 t 1;t
En deduire la valeur de ;(1=2).
4. Soit X une variable (aleatoire de densite :
1 1
f (t) = B (1=2; 1=2)
ptp1 ; t si t 2 ]0; 1[
0 sinon
Determiner avec un minimum de calculs son esperance et sa variance.
Solution :
1. a) Si a  1 et b  1, l'integrale ne pose pas de probleme d'existence et si
0 < a < 1 ou 0 < b < 1, la regle de Riemann assure la convergence pour la
borne concernee. Ainsi, par disjonction des cas, l'integrale proposee converge.
b) Pour b  1 et a > 1, une integration par parties donne :
B (a; b) = a ;b 1 B (a ; 1; b + 1)
Soit : ; 2


1 B (1; a + b ; 1)
B (a; b) = a ;b 1 ab + 1 a+b;2
et comme B (1; a + b ; 1) = a + 1b ; 1 , il vient :
8 a; b 2 N  ; B (a; b) = (a(;a +1)!(b ;b ;1)!1)!
2. On sait que si X ,! ;(1; a) et Y ,! ;(1; b) et si X et Y sont des variables
aleatoires independantes, alors X + Y ,! ;(1; a + b). Comme on sait qu'une
124 ESCP 99 - Oral
densite de X + Y s'obtient alors par convolution, il vient, avec les notations
de l'enonce : Z +1
8 x 2 R+ ; fa+b (x) = fa (t)fb (x ; t) dt
;1
Il n'y a du grain a moudre queZ si t 2 [0; x] et :
x
8 x 2 R+ ; fa+b (x) = ;(1a) ta;1 e;t ;(1b) (x ; t)b;1 et;x dt
0
;x Zx
Soit : ;(a1+ b) xa+b;1 e;x = ;(ae);(b) ta;1 (x ; t)b;1 dt
0
On eectue le changement de variable t = xu et on obtient :
1 a+b;1 e;x = e;x xa+b;1 B (a; b), soit :
;(a + b) x ;(a);(b)
8 a; b 2 R+ ; B (a; b) = ;( a);(b)
;(a + b)
Ainsi : B (a + 1; b) = ;(a + 1);(b) = a + a B (a; b).
b
;(a + b + 1)
Z
p du
1
3. Le changement de variable donne : B (1=2; 1=2) = .
;1 Z 1 ; u2
=2
En posant u = sin t, on obtient nalement B (1=2; 1=2) = dt = .
;=2
Comme B (1=2; 1=2) = ; (1=2) , on en deduit que ;(1=2) =  .
2 p
;(1)
4. En ecrivant l'integrale idoine, on a : E (X ) = B (3=2; 1=2) = 11=2 = 12 .
B (1=2; 1=2)
De m^eme E (X 2 ) = 83 et, par la formule de Koenig-Huygens : V (X ) = 81 .
Exercice 3-22
Soit a 2 ]0; 1[ et X une variable aleatoire, denie sur un espace probabilise
(
; B; P ), a valeurs dans [0; 1].
On suppose que la loi conditionnelle de X conditionnee par [X 6 a] est la loi
uniforme sur [0; a] et que sa loi conditionnelle conditionnee par [X > a] est
la loi uniforme sur [a; 1].
On suppose de plus que P [X 6 a] = 12 .
1. Determiner une densite de X , son esperance et sa variance.
Probabilites 125
On cherche maintenant a estimer le parametre inconnu a.
2. Soit (X1 ; : : : ; Xn) n variables aleatoires independantes de m^eme loi que X .
On pose Mn = X1 + X2 +


+ Xn . Determiner l'esperance E (M ) et la
n n
variance V (Mn ).
En deduire un estimateur sans biais Tn de a.
La suite d'estimateurs (Tn )n1 est-elle convergente ?
3. Donner une majoration de V (Tn ) quand a 2 ]0; 1[.
Pour n et  donnes, preciser, en utilisant l'inegalite de Bienayme-Chebychev,
les valeurs de " pour lesquelles [Tn ; "; Tn + "] est un intervalle de conance
au risque  pour a.
(c'est-a-dire : P [Tn ; " 6 a 6 Tn + "] > 1 ; )
!
4. Quelle est la limite en loi de la suite pTn ; a ?
V (Tn ) n1
On suppose que n est susamment grand pour identier la loi de pTn ; a
V (Tn )
a cette loi limite.
En deduire un intervalle de conance pour a a un risque inferieur a 5%.
5. Au niveau de risque 5%, comparer les longueurs des deux intervalles de
conance trouves dans les questions 3 et 4.
Solution :
1. Une densite de X vaut 21a sur [0; a] et 2(1 1; a) sur [a; 1] et 0 ailleurs.
En utilisant la formule de Chasles pour calculer les integrales, on trouve alors
facilement :
a ; 1)2
E (X ) = 2a 4+ 1 et V (X ) = 4 + (248
2. E (Mn ) = E (X ) = 2a 4+ 1 et V (Mn ) = n1 V (X ) = 4 + (2 a ; 1)2 .
48:n
Ainsi Tn = 2Mn ; 21 est d'esperance a, donc est un estimateur sans biais de
a. La variance de Tn vaut 4V (Mn ), donc est de limite nulle et (Tn ) est une
suite d'estimateurs convergente.
3. On a : V (Tn ) = 4 + (2a ; 1)  125:n et, grce a l'inegalite de Bienayme-
2

12:n
Chebychev :
126 ESCP 99 - Oral
Pour tout a de [0; 1], P (jTn ; aj  ")  5 2
12:n"
Si on veut que [Tn ; "; Tn + "] soit un intervalle de conanceq 5au risque , il
sut de prendre " tel que 5  , donc tel que "  12:n .
12:n"2  
4. Le theoreme de la limite centree indique que T(nT;))a converge en loi
n n
vers une variable suivant la loi normale centree reduite.
Soit alors t=2 le quantile d'ordre =2 de la loi normale centree reduite. On
a:
P [Tn ; t=2 (Tn )  a  Tn + t=2 (Tn )] = 1 ; 
L'intervalle precedent n'est pas observable, puisque (Tn ) depend du parametre
inconnu a, mais V (Tn ) etant majore par 125:n , cet intervalle est toujours in-
 q q 
clus dans l'intervalle Tn ; t=2 125:n ; Tn + t=2 125:n , qui est, lui, observ-
able et est a fortiori un intervalle de conance pour a de risque inferieur a
.
Pour  = 5%, on a t=2 = 1;96.
p
5. Le rapport de longueur des deux intervalles de conance est :t=2 . Pour
 = 5%, il vaut approximativement 0;44.
Exercice 3-23
1. Montrer que pour tout nde N , la fonction fn denie par :
fn (x) = (n + 1)(1 ; x) si x 2 [0; 1]
n
0 sinon
est une densite de probabilite.
Soit Yn = nXn ou Xn est une variable aleatoire denie sur un espace
probabilise (
; B; P ) et qui admet fn pour densite.
Pour x 2 [0; n], calculer P [Yn 6 x]. En deduire que la suite de variables
(Yn )n2N converge en loi vers une variable suivant une loi exponentielle.
2. Montrer que pour tout  n de N, la fonction fnn denie par :
fn(x) = (n + 1)(n + 2)x(1 ; x) si x 2 [0; 1]
0 sinon
est une densite de probabilite.
Soit Yn = nXn ou Xn admet pour densite fn . 
Pour x 2 [0; n], montrer que P [Yn 6 x] = 1 ; n + 1 x + 1 1 ; x n+1 .
n n
Probabilites 127
En deduire que la suite de variables (Yn )n0 converge en loi vers une variable
dont on precisera la loi.
Solution :
1. La fonction fn est positive, continue sauf au point 0 et :
Z +1 Z1
fn (t) dt = (n + 1) (1 ; t)n dt = 1
;1 0
Toutes les conditions sont reunies pour armer que fn est bien une densite
de probabilite.
La variable aleatoire Yn prend ses valeurs entre 0 et n et, pour x 2 [0; n] :
x=n Z
P (Yn  x) = P (Xn  nx ) = (n + 1) (1 ; t)n dt = 1 ; (1 ; nx )n+1
0
? En notant Fn la fonction de repartition de Yn , on a donc : nlim
!1 Fn (x) = 0,
;
!1 Fn (x) = 1 ; e , si x  0.
si x < 0 ; nlim x
x n ;x
(En eet nlim!1(1 ; n ) = e , comme on le voit facilement en considerant
les logarithmes et si x  0, alors pour n assez grand, on a 0  x  n)
Par consequent, la suite (Yn ) converge donc en loi vers une variable suivant
la loi exponentielle de parametre 1.
2. ? A nouveau, fn est positive, continue sauf au point 0 et :
Z 1
+ Z 1 Z 1
fn (t) dt = (n +1)(n +2) t(1 ; t)n dt = (n +1)(n +2)
un (1 ; u) du = 1
;1 0 0
Donc fn est une densite de probabilite.
? De la m^eme facon, Yn prend ses valeurs entre 0 et n et, pour x 2 [0; n] :
Z x=n
x
P (Yn  x) = P (Xn  n ) = (n + 1)(n + 2) t(1 ; t)n dt
Z 1
0

= (n + 1)(n + 2) un (1 ; u) du
1 ; nx
soit :    
P (Yn  x) = (n + 2) 1 ; (1 ; nx )n+1 ; (n + 1) 1 ; (1 ; nx )n+2
Ce qui s'ecrit aussi : ; 1 x + 1
(1 ; x )n+1
P (Yn  x) = 1 ; n + n n
Pour x  0, on a donc nlim P ( Y n  x ) = 1 ; ( x + 1)e;x, tandis que pour
!1
!1 P (Yn  x) = 0.
x < 0, on a : nlim
128 ESCP 99 - Oral
En derivant, ou directement, on reconna^t dans la loi limite la loi Gamma de
parametres b = 1 et  = 2.
Exercice 3-24
On considere une suite (Xn )n>1 de variables aleatoires independantes,
denies sur le m^eme espace probabilise (
; B; P ), et suivant toutes la loi
uniforme sur l'intervalle [0; 1].
1. Determiner une densite de la variable aleatoire Yk = max(X1 ; :::; Xk ),
k > 1.
2. Determiner une densite de la variable aleatoire Zk = ;Yk .
3. En deduire la probabilite de l'evenement An = fXn > max(X1 ; :::; Xn;1 )g
pour n > 2.
Solution :
1. La variable Yk prend ses valeurs entre 0 et 1, et pour t 2 [0; 1], on a, par
independance et equirepartition :
P (Yk  t) = P (X1  t):P (X2  t)


P (Xk  t) = tk
On en deduit qu'une densite fYk de Yk est donnee par :
fYk (t) = k:tk;1 , si 0  t  1 ; fYk (t) = 0, sinon
2) La variable Zk prend ses valeurs entre ;1 et 0, et pour t 2 [;1; 0] :
P (Zk  t) = P (Yk  ;t) = 1 ; P (Yk  ;t) = 1 ; (;t)k
Une densite fZk de Zk est donc donnee par :
fZk (t) = k:(;t)k;1 , si ;1  t  0 ; fZk (t) = 0, sinon
3) On a : P (An ) = P (Xn + Zn;1  0), et la variable aleatoire Xn
etant independante de toute fonction de X1 ; : : : ; Xn;1 , la variable Xn est
independante de Zn;1 . D'ou, par convolution :
Z +1 hZ +1 i
P (An ) = fZn;1 (t)fXn (x ; t) dt dx
0 ;1
Mais fZn;1 est nulle en dehors de [;1; 0], donc :
Z +1 Z0
fZn;1 (t)fXn (x ; t) dt = (n ; 1)(;t)n;2 fXn (x ; t) dt
;1 ;1
Puis fXn vaut 1 si x ; t appartient a [0; 1] et 0 sinon. L'int Z 0 egrale precedente
est donc nulle si x 2= [0; 1], et si x 2 [0; 1] elle se reduit a (n ; 1)(;t)n;2 dt
x;1
et vaut donc (1 ; x)n;1 .
Probabilites 129
Z 1
Ainsi : P (An ) = (1 ; x)n;1 dx = n1 .
0

Exercice 3-25
1. Montrer que l'application x 7! x2 est convexe.
2. Trois autobus contiennent respectivement n1 ; n2 ; n3 passagers en plus de
leur chaueur. On considere deux experiences :
 dans la premiere on choisit au hasard un des trois chaueurs, et on note X
la variable aleatoire egale au nombre de passagers de l'autobus qu'il conduit.
 dans la seconde, on choisit au hasard un des n1 + n2 + n3 passagers et on
note Y le nombre de passagers de l'autobus dans lequel ce passager se trouve.
Comparer les esperances des variables aleatoires X et Y .
Solution :
1. La fonction g : x 7! x2 est de classe C 2 et g00 (x) = 2 > 0, donc g est
convexe sur R.
2. ? La variable aleatoire X prend les valeurs n1 ; n2 ; n3 avec la m^eme proba-
bilite 31 , donc E (X ) = 31 (n1 + n2 + n3 ) (on suppose donc implicitement que
n1 ; n2 ; n3 sont deux a deux distincts, mais le resultat concernant l'esperance
reste valide dans tous les cas).
? La variable aleatoire Y prend les m^emes valeurs et P (Y = ni ) =
ni , d'o
u E ( Y ) = n21 + n22 + n23 (m^eme remarque que pour la
n1 + n2 + n3 n1 + n2 + n3
variable X ).
? La convexite de g permet d'armer que l'on a :
;

g n1 + n32 + n3  g(n1 ) + g(n3 2) + g(n3 )
C'est-a-dire : (n1 + n92 + n3 )  n1 + n32 + n3 , i.e. E (X )  E (Y ).
2 2 2 2

Exercice 3-26
Soient a et b deux reels positifs distincts.
On considere X et Y deux variables aleatoires independantes suivant des lois
de Pareto de densit
 es;arespectives fa et fb deniespar :
; si t  1 ; ;b;1 si t  1
fa (t) = at fb (t) = bt
1

0 si t < 1 0 si t < 1
130 ESCP 99 - Oral
1. Reconna^tre les lois de ln(X ) et de ln(Y ).
2. En deduire la loi de Z = XY .
Solution :
1. Les variables aleatoires X et Y prennent leurs valeurs dans [1; +1[, donc
ln X et ln Y prennent leurs valeurs dans R+ . Pour x  0, on a :
Z ex
P (ln X  x) = P (X  ex ) = a:t;a;1 dt = 1 ; e;ax
1
Donc ln X suit la loi exponentielle de parametre a. De m^eme ln Y suit la loi
exponentielle de parametre b. Une densite ga de ln X est la fonction denie
par :
Si x  0, ga (x) = ae;ax et sinon ga (x) = 0
On notera de m^eme gb une densite de ln Y .
2. Les variables aleatoires X et Y etant independantes, il en est de m^eme des
variables aleatoires ln X et ln Y . Une densite g de ln Z = ln X +ln Y s'obtient
donc par convolution : Z +1
g(x) = ga (t)gb (x ; t) dt
;1
ln Z prenant ses valeurs dans R+ , on se limite au cas x  0 et l'integrale
devient : Zx ;ax ;bx
g(x) = ae;at be;b(x;t) dt = ab e b ;; ae
0
Enn, pour x  1 : Z ln x ;at ;bt
P (Z  x) = P (ln Z  ln x) = ab e b ;; ae dt
h 0
i
= ab 1 (x;b ; 1) ; 1 (x;a ; 1)
b;a b a
Donc une densite de Z sur [1; +1[ est x 7! b ab ;a;1 ;b;1
; a (x ; x ).
Exercice 3-27
Une urne contient n boules numerotees de 1 a n. On tire plusieurs fois au
hasard et avec remise une boule de l'urne. On arr^ete les tirages des que
le dernier numero obtenu est superieur ou egal au numero obtenu lors du
precedent tirage. On appelle X la variable aleatoire egale au nombre de tirages
eectues.
Probabilites 131
1. Determiner X (
).
2. a) Determiner la probabilite des evenements X  2, X  3 et X = 2.
b) Pour tout k 2 X (
), determiner la probabilite de l'evenement (X  k).
c) En deduire la loi et l'esperance de X , puis la limite de cette derniere lorsque
n tend vers l'inni.
3. On veut simuler l'experience precedente lorsqu'il y a 10 boules dans l'urne.
Completer les lignes manquantes du programme Pascal suivant an qu'il
ache la serie de numeros obtenus ainsi que la valeur de X correspondante :
Var u : array[1..11] of integer ;







Begin
u[1] :=1+random(10) ;














End.
L'achage a l'ecran se fera sous la forme 5 3 2 6 X = 4.
On precise que l'instruction x :=random(n) met dans la variable x declaree
de type integer une valeur hh au hasard ii entre 0 et n ; 1 (chaque appel a
random(n), pour n x e renvoie une nouvelle valeur, independante des valeurs
deja obtenues).
Solution :
1. On eectue au minimum deux tirages et au maximum n + 1 (lorsque les n
premiers tirages ont amene, dans cet ordre, les resultats n; n ; 1; n ; 2; : : :; 1).
Toutes les situations intermediaires etant possibles, on a donc X (
) =
[ 2; n + 1]].
2. a) P (X  2) = 1, P (X  3) = C2n , car l'evenement (X  3)
2

n
est realise lorsque les numeros n1 , n2 obtenus aux deux premiers tirages
verient n1 > n2 . Or il existe n2 facons de tirer deux fois un numero, toutes
equiprobables, et Cn2 facons de choisir un couple (n1 ; n2 ) de [ 1; n] 2 tel que
n1 > n2 .
On en deduit : P (X = 2) = P (X  2) ; P (X  3) = 1 ; Cn2 .
2

n
C k ;1
b) Le m^eme raisonnement montre que P (X  k) = kn;1 .
n
132 ESCP 99 - Oral
k;1 k
c) Par consequent P (X = k) = Ckn;1 ; Ckn , le resultat etant valable m^eme
n n
pour k = n + 1, avec les conventions habituelles concernant les coecients
binomiaux, et aussi pour k = 1 (ce qui donne bien une probabilite nulle).
On a : n+1
P nP
+1 nP
+1
E (X ) = k:P (X = k) = k:P (X  k) ; k:P (X  k + 1)
k=2 k=2 k=2
Un changement d'indice dans la premiere somme donne alors :
Pn nP
+1
E (X ) = (k + 1)P (X  k + 1) ; k:P (X  k + 1)
k=1 k=2
D'ou, apres regroupements et simplications :
Pn k
E (X ) = Ckn = (1 + n1 )n n;!
k=0 n !1 e
3.
PROGRAM boules ; uses crt ;
Var u :Array[1..11] of integer ; i : integer ;
Begin
(randomize ;
u[1] :=1+random(10) ; i :=1 ; write(u[1], ' ') ;
repeat i :=i+1 ;
u[i] :=1+random(10) ;
write(u[i],' ') ;
until u[i]>=u[i-1] ;
writeln ('X=',i) ; readkey ;
End.

Exercice 3-28
Dans cet exercice, on considere trois variables aleatoires Y; X1; X2 admet-
tant des moments d'ordre deux, et on s'interesse a l'existence et a l'unicite
d'un minimum pour la quantite
;
E (Y ; aX1 ; bX2 )2


lorsque (a; b) parcourt R2 , E designant l'esperance.
x y
1. Soit A = z t 2 M2 (R). Montrer que :
(A est inversible) () (xt ; yz 6= 0)
Probabilites 133
2. Dans cette question et la suivante, on suppose que les variables aleatoires
X1 et X2 verient E (X12 ):E (X22 ) ; (E (X1 X2 ))2 6= 0.
a) Montrer que E (X12 ) et E (X22 ) sont des reels strictement positifs.
;
b) Plus generalement, montrer que si (a; b) 2 R2 nf(0; 0)g, E (aX1 + bX2)2


est un reel strictement positif.
;
3. On
denit l'application : f : R2 ! R; (a; b) 7! f (a; b) = E (Y ; aX1 ;
bX2 )2
a) Montrer que f est de classe C 1 sur R2 , et qu'il existe un unique couple
(a0 ; b0 ) 2 R2 tel que : @f @f
@a (a0 ; b0) = @b (a0 ; b0 ) = 0.
b) Montrer que, dans ces conditions, on a 8 (a; b) 2 R2 ,
;
E (Y ; a0 X1 ; b0 X2 )(aX1 + bX2) = 0


puis que
;
;
;
E (Y ;aX1 ;bX2)2 = E (Y ;a0 X1 ;b0 X2 )2 +E ((a0 ;a)X1 +(b0 ;b)X2 )2


c) Etudier les extremums de f .
4. Cas particulier.
On suppose ici que X1 et X2 sont deux variables aleatoires a densite,
independantes, suivant une loi uniforme; sur [0; 1] et
on pose Y = X12 .
Determiner (a0 ; b0 ) pour lequel E (Y ; a0 X1 ; b0X2 )2 est minimum .
Pour cela, on admettra que la propriete relative a l'esperance d'un produit
de variables aleatoires discretes independantes reste vraie pour des variables
aleatoires a densite independantes.
Solution :
1. Ce resultat est connu.
2. a) Si E (X12 ) = 0, alors P (X1 = 0) = 1, donc P (X1 X2 = 0) = 1 et
E (X1 X2 ) = 0, ce qui contredit l'hypothese. On conclut de la m^eme facon
pour la variable aleatoire X2 .
b) Supposons; b non nul, alors

:
8 a 2 R; E (aX1 + bX2 )2 = a2 E (X12 ) + 2abE (X1X2 ) + b2 E (X22 )  0
Par consequent :
0 = b2[E 2 (X1 X2 ) ; E (X12 )E (X22 )]  0.
Par hypothese ce discriminant n'est pas nul, donc il est strictement negatif
et le trin^ome est toujours strictement positif.
Enn, si b = 0, il reste E (a2 X12 ) > 0 et la conclusion reste valable.
134 ESCP 99 - Oral
3. a) On a :
f (a; b)= E (Y 2 )+a2 E (X12 )+b2E (X22 )+2abE (X1X2 );2aE (X1 Y );2bE (X2Y )
La fonction f8est polynomiale, donc de classe C 1 et :
>
< @f (a; b) = 2aE (X12) + 2bE (X1X2) ; 2E (X1Y )
@a
>
: @f
@b (a; b) = 2bE (X ) + 2aE (X X ) ; 2E (X Y )
2
2 1 2 2

Il existe un unique point critique (a0 ; b0 ), car la matrice du systeme corre-

spondant est inversible, d'apres l'hypothese de l'enonce.
;

b) ? @f (a0 ; b0) = 0, donc E (Y ; a0 X1 ; b0 X2 )X1 = 0 et, de la m^eme
;
@a

facon E (Y ; a0 X1 ;; b0 X2 )X2 = 0. Par linearite de
l'esperance, on a donc :
E (Y ; a0 X1 ; b0 X2 )(aX1 + bX2) = 0
? On ecrit Y ; aX1 ; bX2 = Y ; a0 X1 ; b0 X2 + (a0 ; a)X1 + (b0 ; b)X2 , on
developpe alors le carre et le resultat precedent montre que l'esperance du
hh double produit ii est nul, ce qui donne la formule voulue.
;

c) Ainsi f (a; b) = f (a0 ; b0 ) + E ((a0 ; a)X1 + (b0 ; b)X2 )2  f (a0 ; b0 )
l'egalite ne pouvant avoir lieu que si l'esperance du terme complementaire est
nulle, c'est-a-dire pour (a; b) = (a0 ; b0 ).
La fonction f admet un minimum absolu atteint uniquement en (a0 ; b0).
Comme f n'a pas d'autre point critique, elle ne possede pas d'autre extremum
local et a fortiori pas de maximum absolu.
4. On a :
E (X12 ) = E (X22 ) = 31 et, par independance E (X1 X2 ) = E (X1 )E (X2 ) = 14 .
On est bien dans les conditions de l'exercice et de plus E (X1 Y ) = E (X13 ) = 41 ,
E (X2 Y ) = E (X2 );E (X12 ) = 61 .
est minimum au point (a ; b ) solution
Par consequent E (
8 a0 b0 1Y ; aX 1 ; bX2 )
2
0 0

< 3 + 4 =4
du systeme : a b
1
4 + ;3 = 6

0 0

Soit pour (a0 ; b0 ) = 76 ; ; 17 .

Probabilites 135
Exercice 3-29
Soit X une variable aleatoire reelle suivant la loi exponentielle de parametre
1.
On pose Y = ln(eX ; 1).
1. Determiner la fonction de repartition de Y et une densite de Y .
2. Calculer E (Y ).
Solution :
1. La variable aleatoire X prend ses valeurs dans R+ , donc eX ; 1 aussi et
puisque l'evenement (X = 0) est quasi-imposible, Y est denie et prend ses
valeurs dans R.
Soit alors y 2 R, on a :
P (Y  y) = P (eX  ey + 1) = P (X  ln(ey + 1)) = 1 ; exp(; ln(ey + 1))
y
= ye
e +1
Une densite de Y est donc la fonction fY denie sur R par :
y
fY (y) = (ey e+ 1)2
2. Sous reserve de convergence (absolue) , l'esperance de Y est donnee par :
Z +1 x
E (Y ) = x:e dx
;1 (ex + 1)2
La fonction ' a integrer est continue sur R et x!lim
+1
x2 '(x) =x!;1
lim x2 '(x) =
0, la convergence en resulte en appliquant deux fois la regle de Riemann.
Le changement deZvariable y = ;x, legitime, Z donne alors :
+1 1
x:ex 2 dx = ; +
y:ey dy
x y
;1 (e + 1) ;1 (e + 1)2
L'integrale est donc nulle et E (Y ) = 0.
Exercice 3-30
On considere une urne contenant m boules numerotees de 1 a m. On procede
a partir de cette urne a des tirages successifs d'une boule selon le protocole
suivant :
Au premier tirage, on tire une boule hh au hasard ii de l'urne.
136 ESCP 99 - Oral
Si a un tirage quelconque, on a obtenu la boule numero k, on la replace dans
l'urne, et toutes les boules portant un numero strictement inferieur a k sont
remplacees par un nombre egal de boules portant le numero k ; on peut alors
proceder au tirage suivant.
On note Xn la variable aleatoire egale au numero obtenu lors du n-eme tirage.
P (A) designe la probabilite de l'evenement A.
1. Determiner la loi de X1 .
2. i) Montrer que : 8 k 2 [ 1; m] ; P (X2 = k) = 2k ;2 1 .
m
ii) Montrer que : 8 n 2 N  ; P (Xn+1 = m) = m ; 1 P (Xn = m) + 1 .
m m
iii) Calculer P (Xn = m) en fonction de m et de n.
Sn
3. Comparer les evenements (Xn = m) et (Xk = m). En deduire un calcul
k=1
direct de P (Xn = m).
Solution :
1. Pour le premier tirage tous les numeros sont representes une fois et X1 suit
la loi uniforme sur [ 1; m] .
;2.Xi) =Appliquons
i

:
la formule des probabilites totales, avec le systeme complet
1 1im

8 k 2 [ 1; m] ; P (X = k) = P P (X = k=X = i)P (X = i)
m
2 2 1 1
i
=1

Si i  k ; 1; P (X = k j X = i) = m1 (une boule porte le numero k)

2 1

P (X = k j X = k) = mk (k boules portent le numero k)

2 1

si i > k; P (X = k j X = i) = 0 (il n'y a plus de boule portant le

2 1
numero k)
Il reste donc : P (X2 = k) = (k ; 1) 12 + k 12 = 2k ;2 1
m m m
P
m
ii) De la m^eme facon : P (Xn+1 = m) = P (Xn+1 = m=Xn = i)P (Xn =
i=1
i).
Or, si Xn prend une valeur inferieure a m, il y a 1 boule portant le numero
m pour le tirage suivant, tandis que si Xn = m est realise, l'urne ne contient
plus que des boules numerotees m. Ainsi :
Probabilites 137
mP
;1
P (Xn+1 = m) = m1 P (Xn = i) + P (Xn = m)
i=1
1 (1 ; P (Xn = m)) + P (Xn = m)
=m
Ce qui est le resultat
; voulu.

iii) La suite P (Xn = m) n1 est une suite arithmetico-geometrique
de raison mm; 1 , de point xe 1 et de premier terme m 1 . Il vient alors
classiquement :
8 n  1; P (Xn = m) = 1 ; (1 ; m1 )n
3. Si on obtient la boule m au cours d'un des n premiers tirages, on est
sur d'obtenir la boule numerotee m au n-eme tirage. Reciproquement si on
obtient la boule m au n-eme tirage, on a obtenu la boule m au cours des n
premiers tirages.
Sn
Donc : (Xn = m) = (Xk = m) et :
k=1
P (Xn = m) = 1 ; P
; Tn (X m)

k
k=1
Mais, tant que l'on n'obtient pas la boule m, on a une chance sur m de
1 de ne pas l'obtenir
l'obtenir au tirage suivant, c'est-a-dire la probabilite 1 ; m
au tirage suivant. Ainsi : ;

P (Xn = m) = 1 ; 1 ; m1 n
Exercice 3-31
On dispose de dix pieces de monnaie numerotees de 1 a 10, telles que la k-eme
k.
piece amene hh Pile ii avec la probabilite 10
On prend une piece au hasard, on la lance et on obtient hh Face ii. Quelle est
la probabilite d'avoir lance la cinquieme piece ?
Solution :
Soit Ak l'evenement hh on choisit la piece numero k ii et F l'evenement hh on
obtient Face ii. La formule du Reverend Thomas Bayes donne :
P (A5 =F ) = P (F=A 5 )P (A5 )
P (F )
et la formule des probabilites totales donne :
P10
P (F ) = P (F=Ai )P (Ai )
i=1
138 ESCP 99 - Oral
sachant que
P i = 55, il vient P (A =F ) =
10
5 1
i=1
5
55 = 11 .
Exercice 3-32
On note V P (; ) la loi de Pareto de parametres   +1
> 0;  > 0 et 0 , c'est-a-
dire la loi de densite f denie par : f (x) =  x  si x >  et f (x) = 0
sinon.
Un phenomene economique suit une loi V P (; ),  etant un parametre connu
et  un parametre que l'on veut estimer. On dispose pour cela d'un echantillon
(X1 ; : : : ; Xn ) de variables aleatoires independantes suivant cette loi.
X
n ;X

On pose T = ln i  et b = Tn .
i=1
1. Soit X une variable aleatoire suivant la loi V P (; ) et Y = ln X .
;

a) Determiner la fonction de repartition FX de X .
b) Determiner, lorsqu'elles existent, l'esperance et la variance de X .
c) Montrer que Y suit une loi ; dont on precisera les parametres.
2. Quelle est la loi de T ? En donner une densite.
3. Calculer l'esperance et la variance de b.
4. Deduire de b un estimateur c1 sans biais de . L'estimateur c1 est-il
convergent ?
pn(b ; )
5. On admet que la suite de variables aleatoires Z = n  converge en
loi vers la loi normale centree reduite N (0; 1), et on rappelle que la fonction
de repartition  de la loi normale centree reduite verie (1; 96) ' 0;975.
En utilisant la loi N (0; 1) comme approximation de la loi de Zn , donner, en
fonction de n (suppose assez grand) et de la valeur observee 0 de b, un
intervalle de conance a 95% de .
Application numerique : n = 100 et 0 = 5.
Solution :
1. Des calculs sans surprises donnent :
Probabilites 139
a) Pour x  , FX (x) = 0 et pour x > , FX (x) = 1 ; x 
;

b) La variable aleatoire X admet une esperance si et seulement si  > 1 et
dans ce cas : E (X ) = ; 1.
De m^eme, la variable aleatoire X admet une variance si et seulement si  > 2
2 2 .
et alors : V (X ) = ( ; 2)(  ; 1)
c) La variable aleatoire Y prend ses valeurs dans R+ et :
8 x > 0; FY (x) = P (X  :ex ) = FX (:ex ) = 1 ; e;x
Donc Y suit la loi exponentielle de parametre , c'est-a-dire la loi ; de
parametres 1 et 1.
2. La variable aleatoire T est la somme de n variables aleatoires independantes
de m^eme loi ;( 1 ; 1), donc T suit la loi ;( 1 ; n).
Une densite fT de T est donnee par :
8 t  0; fT (x) = 0, 8 t > 0; fT (x) = e;(xn x;n;1)!1 n
3. ? On a b = Tn , donc sous reserve d'existence :
Z +1 Z
E (b) = n fT (x) dx = n +1 e;x xn;2 n;1 dx
;1 x n;1 0 (n ; 2)!
On reconna^t l'integrale (integrale d'une densite d'une variable aleatoire
suivant la loi ;( 1 ; n ; 1)), ce qui prouve que l'esperance existe et vaut :
E (b) = nn
;1
? En procedant de la m^eme facon on montre que b admet un moment d'ordre
2 valant n2 2 , donc une variance valant : V (b) = n222
(n ; 1)(n ; 2) (n ; 1) (n ; 2)
4. b1 = n ; 1b b b  2

n  verie E (1 ) =  et V (1 ) = n ; 2 . Cette variance est de

limite nulle lorsque n tend vers l'inni, donc b1 est un estimateur sans biais
et convergent de .
5. En approchant la loi de Z par la loi normale centree reduite, on obtient :
p b
P (;1; 96  n( ; )  1; 96) = 0; 95
C'est-a-dire : p p
P ( pn +n1; 96 b    pn ;n1; 96 b) = 0; 95
140 ESCP 99 - Oral
On obtient donc comme intervalle de conance pour , au niveau de conance
0; 95 :
 p pn  ; p pn  
n + 1; 96 n ; 1; 96
0 0

L'application numerique donne : I = [4;18; 6;22].

Exercice 3-33
Soient X et Y deux variables aleatoires independantes denies sur le m^eme
espace probabilise (
; B; P ) et suivant respectivement les lois binomiales
B(n; 41 ) et B(n; 34 ).
 X (!) 0 
On pose, pour ! 2
, A(!) = 2 Y (!) .
1. Calculer la probabilite que A(!) soit diagonalisable.
2. Calculer la probabilite que A(!) soit inversible.
Solution :
1. Les valeurs propres de A(!) sont X (!) et Y (!).
Si ces deux valeurs propres sont distinctes, A(!) est diagonalisable.
Si elles sont egales, A(!) n'est pas diagonalisable, sinon elle serait semblable a
une matrice scalaire, donc serait une matrice scalaire, ce qui est evidemment
faux.
En notant p1 la probabilite que A(!) soit diagonalisable, on a donc :
p1 = P (XY ) = 1 ; P (X = Y )
Par independance de X et Y , on peut ecrire :
Pn
P (X = Y ) = P (X = k)P (Y = k) = 16
; 3
n Pn C k C n;k = ; 3
n C n
n n 16 2n
k=0 k=0
[La derniere relation, appelee formule de Vandermonde resulte du fait que la
somme de deux variables independantes suivant la loi binomiale B(n; p) suit
la loi B(2n; p)]
; 3
n C n
p1 = 1 ; 16 2n

2. A(!) est inversible si et seulement si X (!)0 et Y (!)0. Donc, en notant p2

la probabilite cherchee :
p2 = P [(X 0) \ (Y 0)] = [1 ; P (X = 0)]:[1 ; P (Y = 0)]
Probabilites 141
 ;
 ;

p2 = 1 ; 34 n : 1 ; 14 n
Exercice 3-34
Soit X une variable aleatoire reelle e f denie sur R par :
 ;de(x;densit
a si x > a
f (x) = e
)

0 sinon
1. Verier que f est une densite de probabilite.
2. Montrer que X admet une esperance et donner sa valeur.
3. F designant la fonction de repartition de X , determiner m tel que
F (m) = 21 .
4. Soit X1 ; X2 ; : : : ; Xn , n variables aleatoires independantes et de m^eme loi
que X . On pose Y = inf(X1 ; : : : ; Xn ).
a) Determiner la loi de probabilite de Y .
b) Determiner l'esperance et la variance de Y .
Solution :
1. La fonction f estZcontinue sur RZ, positive et on verie facilement que :
+1 +1
f (x) dx = e;(x;a) dx = 1.
;1 a
La fonction f est bien une densite de probabilite.
Z +1
2. La convergence de l'integrale x:e;(x;a) dx est connue et le calcul aise,
a
en integrant par parties. On obtient : E (X ) = a + 1.
(on peut aussi dire que X = a + Y , la variable aleatoire Y suivant la loi
exponentielle de parametre 1.)
Zx
3. Pour x  a, on a FX (x) = e;(t;a) dt = 1 ; e;(x;a) et sinon FX (x) = 0.
a
L'equation FX (m) = 21 admet donc pour unique solution : m = a + ln 2.
4. a) La variable aleatoire Y prend ses valeurs dans [a; +1[ et, par indepen-
dance :
8 x  a; P (Y  x) = 1 ; P (Y > x) = 1 ; [P (X > x)]n = 1 ; [1 ; FX (x)]n
Soit :
P (Y  x) = 1 ; e;n(x;a)
142 ESCP 99 - Oral
b) Une densite g de Y est donc denie par : g(x) = n:e;n(x;a) si x  a et
g(x) = 0 sinon. La convergence des integrales rencontrees est evidente, par
negligeabilite classique de l'exponentielle devant la puissance et, a l'aide
d'integrationsZ par parties :
+1
? E (Y ) = nx:e;n(x;a) dx = a + n1 .
Za 1
nx2 :e;n(x;a) dx = a2 + 2a + n2 , puis :
+
? E (Y ) =
2

a
V (Y ) = 2a(1 ; n1 ) + n2 ; n12 .
Exercice 3-35
On considere n equipes de football de 1-ere division et n equipes de 2-eme
division. On tire au sort n rencontres entre ces 2n equipes (on represente
chaque equipe par une boule placee dans une urne et on extrait au hasard
et une par une les boules de cette urne, l'equipe correspondant au (2k + 1)-
eme tirage rencontrant l'equipe correspondant au (2k + 2)-eme tirage, pour
k 2 [ 0; n ; 1]]).
1. Calculer la probabilite pn que tous les matchs opposent une equipe de 1-ere
division a une equipe de 2-eme division.
2. Calculer la probabilite qn que tous les matchs opposent deux equipes de
la m^eme division.
2n;1
3. Montrer que 2 n  C2nn  22n .
!1 pn et nlim
4. Calculer nlim !1 qn .
Solution :
Selon le protocole choisi, il y a (2n)! facons de vider de vider l'urne, mais
pour tout k de [ 1; n] , on peut permuter les resultats des (2k ; 1)-eme et
(2k)-eme tirages, sans que cela modie la liste des matchs a jouer. Il y a donc
en fait (2nn)! listes dierentes de matchs, toutes equiprobables. (Attention,
2
nous parlons bien de listes de matchs, c'est-a-dire que nous decidons qu'il y
a un ordre pour les dierents matchs, par exemple en decidant qu'il y a n
terrains numerotes et que la k-eme paire ira jouer sur le k-eme terrain.)
1. Pour realiser l'evenement demande, la procedure est simple : on prend
toutes les equipes de division 1 et on les repartit en en placant une sur chaque
Probabilites 143
terrain, ce qui peut se faire de n! facons, puis on procede de m^eme pour les
equipes de division 2, ce qui peut se faire aussi de n! facons. On a donc :
n 2
pn = 2(2(nn)!!) = C2n
n
2n
2. Soit Bn l'evenement de l'enonce. Si n est impair, on a qn = P (Bn ) = 0 (il
y aura au moins une rencontre entre quipes de divisions dierentes).
Si n est pair, posons n = 2m. On choisit alors les m terrains ou s'aronteront
les equipes de division 1 (les equipes de division 2 iront donc sur les autres
terrains !). Le raisonnement fait dans l'introduction montre qu'il y a (2mm)!
2
facons d'organiser les rencontres entre les equipes de premiere division et le
m^eme nombre de facons d'organiser les rencontres entre equipes de division
2. Ainsi : m
q2m = C2mm  (22mm)!  (22mm)!  (42m)! = CC22mm
2m

4m
3. On a :
C2nn = 2n(2n ; 1)(2 n ; 2)


1 = 2n (2n ; 1)(2n ; 3)


5:3:1
n!n! n!
Ainsi : n
2 (2n ; 2)(2n ; 4)


4:2  C n  2n(2n)(2n ; 2)


4:2:1
2n
n! n!
Soit : 2n;1
2
n  C2n  2
n 2n

4. ? On a donc : 0  pn  nn;1 et nlim !1 pn = 0. Puis :

2
2m
? 0  q2m  2 2m = p2m et lim q2m = 0. D'ou lim qn = 0.
C4m m!1 n!1